Nghiên cứu dự báo năng suất ngô, đậu tương, lạc và xây dựng quy trình giám sát khí tượng nông nghiệp cho 4 cây trồng chính (lúa, ngô, lạc, đậu tương) bằng thông tin mặt đất ở việt nam

Sự ảnh hưởng mạnh mẽ của thời tiết và khí hậu đến quá trình sinh trưởng, phát triển và tạo thành năng suất, sản lượng lương thực của thế giới đã dẫn đến sự quan tâm đặc biệt trong vấn đề

BỘ TÀI NGUYÊN VÀ MÔI TRƯỜNG

VIỆN KHOA HỌC KHÍ TƯỢNG THỦY VĂN VÀ MÔI TRƯỜNG

BÁO CÁO TỔNG KẾT ĐỀ TÀI CẤP BỘ

NGHIÊN CỨU DỰ BÁO NĂNG SUẤT NGÔ, ĐẬU TƯƠNG, LẠC VÀ XÂY DỰNG QUY TRÌNH GIÁM SÁT KHÍ TƯỢNG NÔNG NGHIỆP CHO 4 CÂY TRỒNG CHÍNH (LÚA, NGÔ, LẠC, ĐẬU TƯƠNG) BẰNG THÔNG TIN MẶT ĐẤT Ở VIỆT NAM

Chủ nhiệm đề tài: TS NGUYỄN THỊ HÀ

7486

19/8/2009

HÀ NỘI – 2009

ĐỀ TÀI:

NGHIÊN CỨU DỰ BÁO NĂNG SUẤT NGÔ, ĐẬU TƯƠNG, LẠC VÀ XÂY DỰNG QUY TRÌNH GIÁM SÁT KHÍ TƯỢNG NÔNG NGHIỆP CHO 4 CÂY TRỒNG CHÍNH (LÚA, NGÔ, LẠC, ĐẬU TƯƠNG) BẰNG THÔNG TIN MẶT ĐẤT Ở VIỆT NAM

Tên Chủ nhiệm Đề tài: TS Nguyễn Thị Hà

HÀ NỘI, 6 - 2009

BỘ TÀI NGUYÊN VÀ MÔI TRƯỜNG VIỆN KHOA HỌC KHÍ TƯỢNG THỦY VĂN VÀ MÔI TRƯỜNG

Số 23/62 Nguyễn Chí Thanh - Quận Đống Đa - Hà Nội

-******** -

BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC VÀ CÔNG NGHỆ CẤP BỘ

ĐỀ TÀI:

NGHIÊN CỨU DỰ BÁO NĂNG SUẤT NGÔ, ĐẬU TƯƠNG, LẠC VÀ XÂY DỰNG QUY TRÌNH GIÁM SÁT KHÍ TƯỢNG NÔNG NGHIỆP CHO 4 CÂY TRỒNG CHÍNH (LÚA, NGÔ, LẠC, ĐẬU TƯƠNG) BẰNG THÔNG TIN MẶT ĐẤT Ở VIỆT NAM

TS Nguyễn Lê Tâm

CƠ QUAN QUẢN LÝ ĐỀ TÀI

MỤC LỤC

Trang

MỞ ĐẦU 1

PHẦN I MỘT SỐ MÔ HÌNH GIÁM SÁT VÀ DỰ BÁO KHÍ TƯỢNG NÔNG NGHIỆP TRÊN THẾ GIỚI VÀ DỰ KIẾN PHÁT TRIỂN Ở VIỆT NAM 2

Chương 1 Mô hình giám sát và dự báo khí tượng nông nghiệp trên thế giới 2

I.1.1 Quan điểm về mô hình giám sát và dự báo khí tượng nông nghiệp 2

I.1.2 Mô hình giám sát và dự báo khí tượng nông nghiệp của tổ chức Lương thực và Nông nghiệp Liên hợp quốc 3

I.1.3 Mô hình giám sát và dự báo khí tượng nông nghiệp ở Liên minh châu Âu (EU) và châu Phi 9

I.1.4 Giám sát và dự báo khí tượng nông nghiệp ở Mỹ 14

I.1.5 Giám sát và dự báo năng suất cây trồng ở Trung Quốc 18

Chương 2 Mô hình giám sát và dự báo khí tượng nông nghiệp ở Việt Nam 21

I.2.1 Tình hình giám sát KTNN và dự báo năng suất 21

I.2.2 Đề xuất sơ đồ khung về mô hình giám sát và dự báo khí tượng nông nghiệp bằng thông tin mặt đất ở Việt Nam 22

PHẦN II NGHIÊN CỨU DỰ BÁO NĂNG SUẤT TRUNG BÌNH THEO TỈNH CỦA 3 CÂY TRỒNG NGÔ, LẠC, ĐẬU TƯƠNG Ở VIỆT NAM 25

Chương 1 Phương pháp nghiên cứu và số liệu sử dụng 25

II.1.1 Phương pháp hồi quy từng bước 25

II.1.2 Phương pháp trực giao 28

II.1.3 Phương pháp kiểm nghiệm và chọn lọc mô hình dự báo 29

II.1.4 Số liệu sử dụng 30

Chương 2 Kết quả nghiên cứu xây dựng mô hình dự báo năng suất ngô, lạc, đậu tương của các tỉnh gieo trồng chính ở Việt Nam 32

II.2.1 Kết quả áp dụng phương pháp hồi quy từng bước trong xác định các phương án dự báo năng suất ngô, lạc, đậu tương 32

II.2.2 Kết quả áp dụng phương pháp trực giao trong xây dựng các mô hình

dự báo năng suất ngô, lạc, đậu tương 58 II.2.3 Đánh giá và chọn lọc các mô hình sử dụng trong xây dựng quy trình

dự báo năng suất ngô, lạc, đậu tương ở Việt Nam 76

Chương 3 Xây dựng phần mềm và quy trình dự báo năng suất cho

ngô, lạc, đậu tương ở Việt Nam 83

II.3.1 Xây dựng phần mềm dự báo năng suất cho ngô, lạc, đậu tương ở

Việt Nam 83 II.3.2 Quy trình dự báo năng suất cho 3 cây trồng ngô, lạc, đậu tương ở Việt Nam 84

PHẦN III NGHIÊN CỨU XÂY DỰNG QUY TRÌNH GIÁM SÁT KTNN

CHO 4 CÂY TRỒNG CHÍNH (LÚA, NGÔ, LẠC, ĐẬU TƯƠNG) BẰNG THÔNG TIN MẶT ĐẤT Ở VIỆT NAM 95

Chương 1 Nghiên cứu xây dựng các kịch bản tổng hợp mức độ thuận

lợi và không thuận lợi của điều kiện thời tiết đối với 4 cây trồng (lúa, ngô, lạc, đậu tương) theo phương pháp nhận dạng 95

III.1.1 Khả năng áp dụng lý thuyết nhận dạng trong xây dựng các kịch bản

về điều kiện khí tượng nông nghiệp đối với cây trồng 95 III.1.2 Nghiên cứu xây dựng các kịch bản về mức độ thuận lợi của các điều

kiện thời tiết đối với sự sinh trưởng, phát triển và hình thành năng

suất cây trồng ở Việt Nam bằng phương pháp nhận dạng 99

III.1.3 Kịch bản nhận dạng mức độ thuận lợi thực tế của thời tiết đối với

cây lúa 103 III.1.4 Kịch bản nhận dạng mức độ thuận lợi thực tế của thời tiết đối với 3

cây trồng cạn (ngô, lạc và đậu tương) 129 III.1.5 Lập bản tin Thông báo và cảnh báo Khí tượng nông nghiệp 147

Chương 2 Xây dựng quy trình và phần mềm giám sát khí tượng nông

nghiệp cho 4 cây trồng (lúa nước, ngô, lạc, đậu tương) bằng thông tin mặt đất ở Việt Nam 148

III.2.1 Cơ sở khoa học được sử dụng trong xây dựng quy trình 148 III.2.2 Nội dung quy trình giám sát điều kiện khí tượng nông nghiệp trong

một vụ đối với 4 cây trồng lúa, ngô, lạc, đậu tương 149 III.2.3 Giới thiệu phần mềm giám sát khí tượng nông nghiệp cho 4 cây

trồng lúa, ngô, lạc, đậu tương bằng thông tin mặt đất ở Việt Nam 153

Chương 3 Xây dựng thử nghiệm 4 bản tin về giám sát khí tượng nông

nghiệp 157

III.3.1 Bản tin thông báo KTNN 157

III.3.2 Bản tin dự báo năng suất lúa và năng suất ngô, lạc, đậu tương 158

III.3.3 Bản tin tổng kết điều kiện khí tượng nông nghiệp vụ 158

KẾT LUẬN VÀ KIẾN NGHỊ 159

TÀI LIỆU THAM KHẢO 161 PHỤ LỤC P

dự báo năng suất ngô tỉnh Phú Thọ 38 Bảng II.2.3 Kết quả xây dựng phương trình dự báo và xác định sai số dự báo của 1 trong các phương án dự báo năng suất lạc (phép thử 1) đối với tỉnh Thừa Thiên Huế 39 Bảng II.2.4 Tổng hợp kết quả kiểm chứng các phương án dự báo năng suất lạc tỉnh Thừa Thiên Huế 40 Bảng II.2.5 Kết quả xây dựng phương trình dự báo và xác định sai số dự báo của 1 trong các phương án dự báo năng suất đậu tương (phép thử 1) đối với tỉnh Hà Giang 41 Bảng II.2.6 Tổng hợp kết quả kiểm chứng các phương án (phép thử - PT)

dự báo năng suất đậu tương tỉnh Hà Giang 42 Bảng II.2.7 Các phương trình dự báo năng suất ngô ở các tỉnh gieo trồng chính theo phương pháp hồi quy từng bước 43 Bảng II.2.8 Các phương trình dự báo năng suất lạc bằng phương pháp hồi quy từng bước ở các tỉnh gieo trồng chính của Việt Nam 45 Bảng II.2.9 Các phương trình dự báo năng suất đậu tương ở các tỉnh gieo trồng chính theo phương pháp hồi quy từng bước 46 Bảng II.2.10 Khoảng hoạt động của các phương trình tương quan trong bảng II.2.7 47 Bảng II.2.11 Khoảng hoạt động của các phương trình tương quan trong bảng II.2.8 48 Bảng II.2.12 Khoảng hoạt động của các phương trình tương quan trong bảng II.2.9 49 Bảng II.2.13 Kết quả kiểm chứng mô hình dự báo năng suất ngô của các tỉnh trên cơ sở số liệu phụ thuộc theo phương pháp hồi quy từng bước 50 Bảng II.2.14 Kết quả kiểm chứng mô hình dự báo năng suất ngô của các tỉnh theo phương pháp hồi quy từng bước trên cơ sở số liệu độc lập 51

Bảng II.2.15 Kết quả kiểm chứng chất lượng dự báo năng suất lạc của các tỉnh trên cơ sở số liệu phụ thuộc theo phương pháp hồi quy từng bước 54 Bảng II.2.16 Kết quả kiểm chứng chất lượng dự báo năng suất lạc của các tỉnh trên cơ sở số liệu độc lập theo phương pháp hồi quy từng bước 54 Bảng II.2.17 Kết quả kiểm chứng chất lượng dự báo năng suất đậu tương của các tỉnh trên cơ sở số liệu phụ thuộc theo phương pháp hồi quy từng bước 56 Bảng II.2.18 Kết quả kiểm chứng chất lượng dự báo năng suất đậu tương của các tỉnh theo phương pháp hồi quy từng bước trên cơ sở số liệu độc lập 57 Bảng II.2.19 Sai số của phương trình tính năng suất lạc bằng phương pháp trực giao đối với tỉnh Thừa Thiên Huế 59 Bảng II.2.20 Sai số của phương án dự tính năng suất đậu tương bằng phương pháp trực giao đối với tỉnh Hà Giang 60 Bảng II.2.21 Các phương trình dự báo năng suất đậu tương ở các tỉnh gieo trồng chính theo phương pháp trực giao 61 Bảng II.2.22 Các phương trình dự báo năng suất lạc ở các tỉnh gieo trồng chính theo phương pháp trực giao 62 Bảng II.2.23 Kết quả kiểm tra chất lượng dự báo năng suất lạc của các tỉnh trên cơ sở số liệu phụ thuộc theo phương pháp trực giao 64 Bảng II.2.24 Kết quả kiểm tra chất lượng dự báo năng suất lạc của các tỉnh trên cơ sở số liệu độc lập theo phương pháp trực giao 64 Bảng II.2.25 Kết quả kiểm tra chất lượng dự tính năng suất đậu tương của các tỉnh trên cơ sở số liệu phụ thuộc theo phương pháp trực giao 66 Bảng II.2.26 Kết quả kiểm nghiệm chất lượng dự báo năng suất đậu tương của các tỉnh bằng phương pháp trực giao trên cơ sở số liệu độc lập 66 Bảng II.2.27 Sai số của phương trình dự báo năng suất ngô bằng phương pháp TGKH đối với tỉnh Phú Thọ 69 Bảng II.2.28 Các phương trình dự báo năng suất ngô cho các tỉnh theo phương pháp TGKH 70 Bảng II.2.29 Kết quả kiểm tra chất lượng dự báo năng suất ngô của các tỉnh trên cơ sở số liệu phụ thuộc theo phương pháp TGKH 72 Bảng II.2.30 Kết quả kiểm tra chất lượng dự báo năng suất ngô của các tỉnh theo phương pháp TBKH trên cơ sở số liệu độc lập 73 Bảng II.2.31 Một số chỉ tiêu đánh giá kết quả dự báo năng suất ngô cho 49 tỉnh trồng ngô chính theo 2 phương pháp: HQTB và TGKH 76 Bảng II.2.32 Một số chỉ tiêu đánh giá kết quả dự báo năng suất lạc cho 24 tỉnh trồng lạc chính theo 2 phương pháp HQTB và phương pháp TG 78

Bảng II.2.33 Một số chỉ tiêu đánh giá kết quả tính năng suất đậu tương cho

16 tỉnh trồng đậu tương chính theo 2 phương pháp (HQTB và TG) 80 Bảng III.1.1 Các ngưỡng nhiệt độ (thấp, cao và tối ưu) đối với cây lúa trong các giai đoạn sinh trưởng và phát triển chính 103 Bảng III.1.2 Các giá trị trung bình của bốc thoát hơi tiềm năng (ETo/mm/ngày) ở các vùng khí hậu nông nghiệp khác nhau 104 Bảng III.1.3 Hệ số cây trồng đối với cây lúa tính từ sau ngày gieo, trồng 104 Bảng III.1.4 Số giờ nắng tối ưu ngày đối với cây lúa trong 4 giai đoạn phát triển chính 105 Bảng III.1.5 Mức giảm năng suất trung bình tuần (%) của lúa do nhiệt độ chênh lệch lớn so với nhiệt độ tối ưu trong 4 giai đoạn sinh trưởng 108 Bảng III.1.6 Mức giảm năng suất trung bình ngày (%) của lúa do thời tiết khô nóng trong các giai đoạn sinh trưởng và phát triển 109 Bảng III.1.7 Chỉ tiêu phân hạng mức độ khắc nghiệt của hạn nông nghiệp tính theo phương pháp Prescot đã được hiệu chỉnh theo hệ số Xelianinốp 110 Bảng III.1.8 Mức giảm năng suất trung bình tuần (%) của lúa do hạn nông nghiệp (NN) trong các giai đoạn sinh trưởng và phát triển 110 Bảng III.1.9 Mức giảm năng suất trung bình của lúa do 1 đợt gió mạnh (%/đợt) trong các giai đoạn sinh trưởng và phát triển 111 Bảng III.1.10 Mức giảm năng suất trung bình (%) của lúa do ngập úng trong các giai đoạn sinh trưởng và phát triển 111 Bảng III.1.11 Mức giảm năng suất so với năng suất trung bình của lúa do ngập úng trong các giai đoạn sinh trưởng và phát triển 111 Bảng III.1.12 Chỉ tiêu phân loại mức độ thuận lợi của thời tiết đối với cây trồng 116 Bảng III.1.13 Độ dài của 4 giai đoạn đối với các nhóm giống lúa 119 Bảng III.1.14 Phân loại vụ ñược mùa hoặc mất mùa dựa vào mức ñộ thuận lợi của thời tiết (K favt) ñến thời ñiểm ñánh giá 123 Bảng III.1.15 Phân cấp mức độ thuận lợi thực tế tích luỹ của thời tiết theo trạng thái sinh trưởng và phát triển của cây trồng 124 Bảng III.1.16 Kết quả kiểm chứng mức độ phù hợp của chỉ số thuận lợi tích luỹ của điều kiện KTNN đối với giống lúa 150 ngày trong 5 vụ lúa Đông xuân ở Trạm Thực nghiệm Khí tượng nông nghiệp Đồng bằng Bắc Bộ 125 Bảng III.1.17 Kết quả kiểm nghiệm mức độ phù hợp của chỉ số thuận lợi tích hợp tích luỹ của điều kiện KTNN đối với giống lúa 140 ngày trong 7 vụ lúa mùa ở Trạm Thực nghiệm Khí tượng nông nghiệp Đồng bằng Bắc Bộ 126

Bảng III.1.18 Kiểm chứng kết quả giám sát năng suất có thể đối với cây lúa vụ đông xuân giai đoạn 1998 – 2007 128 Bảng III.1.19 Kiểm chứng kết quả giám sát năng suất có thể đối với cây lúa

vụ mùa giai đoạn 1998 – 2007 129 Bảng III.1.20 Các ngưỡng nhiệt độ (thấp, cao và tối ưu) đối với cây ngô trong các giai sinh trưởng và phát triển chính 130 Bảng III.1.21 Các ngưỡng nhiệt độ (thấp, cao và tối ưu) đối với cây lạc trong các giai đoạn sinh trưởng và phát triển chính 130 Bảng III.1.22 Các ngưỡng nhiệt độ (thấp, cao và tối ưu) đối với cây đậu tương trong các giai đoạn sinh trưởng và phát triển chính 130 Bảng III.1.23 Hệ số cây trồng đối với một số cây trồng cạn, tính từ sau ngày gieo, trồng 131 Bảng III.1.24 Số giờ nắng tối ưu ngày đối với 3 cây ngô, lạc và đậu tương trong 4 giai đoạn phát triển chính 132 Bảng III.1.25 Tốc độ gió trung bình ngày tối ưu đối với cây 3 cây ngô, lạc, đậu tương trong 4 giai đoạn phát triển chính 132 Bảng III.1.26 Mức giảm năng suất trung bình tuần (%) của 3 cây trồng cạn

do nhiệt độ chênh lệch lớn so với nhiệt độ tối ưu trong 4 giai đoạn sinh trưởng 135 Bảng III.1.27 Mức giảm năng suất trung bình ngày (%) của ngô do thời tiết khô nóng trong các giai đoạn sinh trưởng và phát triển 136 Bảng III.1.28 Mức giảm năng suất trung bình ngày (%) của lạc do thời tiết khô nóng trong các giai đoạn sinh trưởng và phát triển 136 Bảng III.1.29 Mức giảm năng suất trung bình ngày (%) của đậu tương do thời tiết khô nóng trong các giai đoạn sinh trưởng và phát triển chỉnh 137 Bảng III.1.30 Mức giảm năng suất trung bình tuần (%) của ngô do hạn nông nghiệp trong các giai đoạn sinh trưởng và phát triển 137 Bảng III.1.31 Mức giảm năng suất trung bình tuần (%) của lạc do hạn nông nghiệp trong các giai đoạn sinh trưởng và phát triển 137 Bảng III.1.32 Mức giảm năng suất trung bình tuần (%) của đậu tương do hạn nông nghiệp trong các giai đoạn sinh trưởng và phát triển 138 Bảng III.1.33 Mức giảm năng suất trung bình của ngô do 1 đợt gió mạnh (%/đợt) trong các giai đoạn sinh trưởng và phát triển 138 Bảng III.1.34 Mức giảm năng suất trung bình của lạc do 1 đợt gió mạnh (%/đợt) trong các giai đoạn sinh trưởng và phát triển 138 Bảng III.1.35 Mức giảm năng suất trung bình của đậu tương do 1 đợt gió mạnh (%/đợt) trong các giai đoạn sinh trưởng và phát triển 139

Bảng III.1.36 Mức giảm năng suất trung bình của ngô do ngập úng trong các giai đoạn sinh trưởng và phát triển trên 2 nền bón đạm 139 Bảng III.1.37 Mức giảm năng suất trung bình của ngô do ngập úng trong các giai đoạn sinh trưởng và phát triển theo mức bón đạm trung bình 139 Bảng III.1.38 Mức giảm năng suất trung bình của cây lạc do ngập úng trong các giai đoạn sinh trưởng và phát triển 140 Bảng III.1.39 Mức giảm năng suất trung bình của đậu tương do ngập úng trong các giai đoạn sinh trưởng và phát triển 140 Bảng III.1.40 Phân loại vụ được mùa hoặc mất mùa dựa vào mức ñộ thuận lợi của thời tiết (K favt) ñến thời ñiểm ñánh giá 144 Bảng III.1.41 Kết quả kiểm chứng mức độ phù hợp của chỉ số thuận lợi tích hợp tích luỹ của điều kiện KTNN đối với vụ ngô Đông xuân ở Trạm Thực nghiệm Khí tượng nông nghiệp Đồng bằng Bắc Bộ 146 Bảng III.1.42 Kiểm chứng kết quả giám sát năng suất có thể đối với cây ngô vụ Đông xuân giai đoạn 1998 – 2006 147 Bảng III.2.1 Tỷ lệ độ dài của 4 giai đoạn sinh trưởng và phát triển chủ yếu

so với độ dài của toàn bộ thời gian sinh trưởng của cây lúa 151

MỤC LỤC HÌNH

Trang

Hình I.1 Sơ đồ khái niệm của hệ thống thông tin an ninh lương thực

(FSIEWS) của FAO 4 Hình I.2 Sơ đồ đánh giá năng suất cây trồng của FAO 5 Hình I.3 Cấu trúc của trang web chủ về hệ thống thông tin khí tượng nông

nghiệp hoặc hệ thống thông tin khí tượng nông nghiệp phục vụ an ninh lương thực 7 Hình I.4 Sơ đồ phương pháp giám sát và dự báo năng suất cây trồng ở các

nước châu Âu, một số nước châu Á và các nước vùng phía Đông của châu Phi 11 Hình I.5 Sơ đồ phương pháp giám sát cây trồng ở Trung Quốc 19 Hình I.6 Sơ đồ phương pháp dự báo năng suất cây trồng theo huyện, tỉnh ở

Trung Quốc 20 Hình I.7 Sơ đồ khung về hệ thống giám sát và dự báo năng suất cây trồng

bằng thông tin mặt đất ở Việt Nam 23 Hình I.8 Sơ đồ khối giám sát và dự báo năng suất cây trồng bằng thông tin

mặt đất ở Việt Nam 24

DANH MỤC CÁC CHỮ VIẾT TẮT

CCPI Chỉ số tiến độ phát triển của cây trồng

CSWB Cán cân nước cây trồng

EU Liên minh châu Âu

FAO Tổ chức Lương thực và Nông nghiệp Liên hợp quốc FSIEWS Thông tin an ninh lương thực và hệ thống cảnh báo sớm

của FAO KTNN Khí tượng nông nghiệp

KH KTTV & MT Khoa học Khí tượng Thủy văn và Môi trường

PET Bốc thoát hơi tiềm năng

PP HQTB Phương pháp hồi quy từng bước

PP TG Phương pháp trực giao

PP TGKH Phương pháp trực giao kết hợp

Viện

KHKTTV&MT

Viện Khoa học Khí tượng Thuỷ văn và Môi trường

WMO Tổ chức Khí tượng Thế giới

WRSI Chỉ số thõa mãn nhu cầu nước của cây trồng

WWCB Tuần báo Thời tiết và Cây trồng của Mỹ

MỞ ĐẦU

Đánh giá điều kiện sinh trưởng, phát triển, tạo thành năng suất và dự báo năng suất là vấn đề rất quan trọng trong công tác điều chỉnh kỹ thuật canh tác để nâng cao năng suất cây trồng Sự ảnh hưởng mạnh mẽ của thời tiết và khí hậu đến quá trình sinh trưởng, phát triển và tạo thành năng suất, sản lượng lương thực của thế giới đã dẫn đến sự quan tâm đặc biệt trong vấn đề theo dõi, đánh giá định kỳ (giám sát điều kiện khí tượng nông nghiệp) đối với sự sinh trưởng, phát triển và dự báo năng suất, sản lượng có thể đạt được của các loại cây lương thực ở các quốc gia trên thế giới Bên cạnh đó, vấn đề an ninh lương thực đã và đang trở thành một vấn đề rất quan trọng mang tính toàn cầu trong những thập

kỷ gần đây Để góp phần giải quyết vấn đề này thì bên cạnh việc áp dụng các biện pháp liên quan đến kỷ thuật trong nông nghiệp như giống mới, áp dụng kỷ thuật tiên tiến, sử dụng hợp lý các loại phân bón việc giám sát điều kiện khí tượng nông nghiệp và dự báo năng suất mùa màng chính xác để có kế hoạch xuất nhập khẩu hợp lý của mỗi quốc gia là rất cần thiết

Với tầm quan trọng của công tác giám sát và dự báo năng suất cây trồng, đã từ lâu ở các nước phát triển và một số nước khác (Mỹ, các nước thuộc EU, Liên Xô

cũ, Trung Quốc ) đã tiến hành công việc giám sát khí tượng nông nghiệp (KTNN) đối với các loại cây trồng và từ những năm 1974 - 1980 đến nay đã tiến hành xây dựng các phương pháp dự báo và dự báo năng suất cây trồng với những thời hạn khác nhau: dự báo vào đầu thời vụ gieo trồng, dự báo với thời hạn từ 3 đến 2 hoặc

1 tháng trước khi thu hoạch

Ở Việt Nam, việc giám sát KTNN (thông qua bản tin Thông báo KTNN hàng tháng) và dự báo năng suất cây trồng đã được đưa vào công tác nghiệp vụ

ở Trung tâm Nghiên cứu Khí tượng nông nghiệp - Viện Khoa học Khí tượng Thuỷ văn và Môi trường (KTTV&MT) - Bộ Tài nguyên và Môi trường Tuy nhiên, cho đến nay, trong giám sát KTNN chưa có đánh giá hoặc nhận định khả năng năng suất có thể đạt đạt được từ những thời điểm đánh giá cần thiết; trong

dự báo năng suất chỉ mới có quy trình dự báo và dự báo năng suất lúa trung bình theo tỉnh cho lúa vụ đông xuân và vụ mùa vùng Đồng bằng Bắc Bộ, Bắc Trung

Bộ và Đồng bằng sông Cửu Long

Để mở rộng phạm vi phục vụ của công tác giám sát và dự báo khí tượng nông nghiệp, đề tài "Nghiên cứu dự báo năng suất ngô, đậu tương, lạc và xây dựng quy trình giám sát khí tượng nông nghiệp đối với 4 cây trồng chính (lúa,

ngô, lạc, đậu tương) bằng thông tin mặt đất" đã được phê duyệt thực hiện

Đề tài được hoàn thành là nhờ sự quan tâm giúp đỡ của Lãnh đạo Bộ Tài nguyên và Môi trường, các Vụ chức năng thuộc Bộ, lãnh đạo Viện Khoa học Khí tượng Thuỷ văn và Môi trường, các Phòng quản lý của Viện, Lãnh đạo và các cộng tác viên, các cán bộ thuộc Trung tâm Nghiên cứu Khí tượng Nông nghiệp Chúng tôi xin bày tỏ lòng biết ơn sâu sắc của mình

2

PHẦN I MỘT SỐ MÔ HÌNH GIÁM SÁT VÀ DỰ BÁO KHÍ TƯỢNG NÔNG NGHIỆP TRÊN THẾ GIỚI VÀ DỰ KIẾN PHÁT TRIỂN Ở VIỆT NAM

Chương 1

MÔ HÌNH GIÁM SÁT VÀ DỰ BÁO KHÍ TƯỢNG NÔNG NGHIỆP

TRÊN THẾ GIỚI I.1.1 Quan điểm về mô hình giám sát và dự báo khí tượng nông nghiệp

Nói chung, giám sát KTNN sẽ bao gồm các công việc chính sau đây: 1) Theo dõi và đánh giá diễn biến các điều kiện KTNN hiện tại so với trung bình nhiều năm và những thời đoạn trước thời gian đang đánh giá;

2) Đánh giá trạng thái sinh trưởng, phát triển và hình thành năng suất cây trồng, vật nuôi tại thời điểm được đánh giá;

3) Đánh giá tác động của các điều kiện KTNN đến sự sinh trưởng, phát triển và hình thành năng suất cây trồng, vật nuôi tại thời điểm được đánh giá; 4) Dự báo sinh trưởng và hình thành năng suất cây trồng, vật nuôi kể từ thời điểm được đánh giá;

Mô hình giám sát và dự báo khí tượng nông nghiệp ở các nước trên thế giới [4] thường bao gồm hai hợp phần:

1) Mạng lưới quan trắc, thu thập, xử lý, lưu trữ và chuyển giao số liệu KTNN;

2) Mạng lưới dự báo và cảnh báo sớm KTNN

Theo quy định của Tổ chức Khí tượng Thế giới [43, 48 - 51, 65, 87], việc thực hiện các hoạt động của hệ thống cảnh báo sớm thường phải trải qua 10 bước sau đây:

1) Kết nối các nghĩa vụ nghiệp vụ ở cấp độ quốc gia và địa phương;

2) Chỉ đạo một cơ quan có nghĩa vụ phát hành các bản tin cảnh báo;

3) Ra quyết định hoạt động cảnh báo ở một cấp độ chính trị;

4) Làm cho cảnh báo trở thành dễ hiểu và phù hơp;

5) Tạo nền tảng cho các cảnh báo trên cơ sở phân tích rủi ro và thông tin cho các nhóm bị ảnh hưởng và tổn thương;

6) Liên kết các loại thiên tai thịnh hành và có khả năng xảy ra với các hoạt động giảm thiểu rủi ro;

7) Giám sát và dự báo những thay đổi của các dạng tổn thương ở các cấp

1) Khối sản phẩm (sử dụng các thông tin của hệ thống an ninh lương thực) bao gồm 2 khối thành phần Khối thành phần 1 bao gồm: Các hoạt động ngăn ngừa ngắn hạn; Các hoạt động ứng cứu và giảm thiểu; Lập kế hoạch ngắn hạn cho các nhóm nông nghiệp Khối thành phần 2 bao gồm: Chương trình hoá an ninh lương thực; Lập kế hoạch triển khai; và Lập kế hoạch trung hạn và dài hạn cho các nhóm nông nghiệp

2) Khối các hàm số dùng để tính toán trong hệ thống FSIEWS Khối này bao gồm 3 khối thành phần Khối thành phần 1 bao gồm cảnh báo sớm và hiện tại Khối thành phần 2 bao gồm thị trường và phân tích thương mại Khối thành phần 3 bao gồm đánh giá cơ cấu tổn thương và đánh giá bất an ninh lương thực trong thời gian dài (kinh niên)

• Các hoạt động khẩn cấp và giảm nhẹ

• Kế hoạch lĩnh vực nông

• Chương trình an ninh lương thực

• Kế hoạch phát triển

• Kế hoạch lĩnh vực nông nghiệp (hạn vừa/hạn dài)

Hạn dài Hạn vừa

Hạn ngắn

Các chức năng

của FSIEWS

Cảnh báo sớm

và Hiện tại

Sự phân tích thị trường và thương mại

Đánh giá cấu trúc dễ

bị tổn thương Đánh giá tính không

an toàn lương thực kinh niên

Các họat động

chỉ thị/ các hoạt

động FSIEWS

Giám sát và dự báo mùa màng của nông nghiệp (giám sát các cây trồng, vật nuôi

và khí hậu nông nghiệp)

Các điều kiện khinh tế xã hội và thị trường (Giám sát sự cân bằng giữa cung cấp/nhu cầu, thông tin giá

cả, lợi nhuận)

Giám sát dinh dưỡng sức khỏe (Các sự đánh giá

về sức khỏe và dinh dưỡng, giám sát an ninh lương thực theo hộ gia đình)

Tính hữu dụng của lương thực

Độ ổn định lương thực và cơ hội lương thực

Tính sẵn có của lương thực Các nhân tố an

ninh lương thực

báo mùa cho nông nghiệp (cây trồng, vật nuôi và giám sát khí hậu nông nghiệp) Khối thành phần 2 bao gồm các điều kiện kinh tế xã hội (giám sát cán cân cung/cầu lương thực, phí thông tin và khả năng chi trả) Khối thành phần 3 bao gồm giám sát tình trạng dinh dưỡng (đánh giá sức khoẻ và dinh dưỡng, giám sát

an ninh lương thực của các hộ)

4) Khối các yếu tố an ninh lương thực Khối này cũng bao gồm 3 khối thành phần Khối thành phần 1 bao gồm sự sẵn có và khả năng sử dụng lương thực Khối thành phần 2 bao gồm sự ổn định lương thực và quyền được sử dụng Khối thành phần 3 bao gồm sự sử dụng lương thực

Mô hình khung của hệ thống đánh giá sản lượng cây trồng (mùa màng)

Hình I.2 Sơ đồ đánh giá năng suất cây trồng của FAO [87]

Mạng lưới

khí tượng Thời tiết

Các mô hình khí tượng nông nghiệp

Các giai đoạn của cây trồng

Vệ tinh

Quan trắc

đồng ruộng

Chỉ số thực vật

Đầu tư của nông nghiệp

Số liệu tham chiếu

Số liệu nông nghiệp tại thời điểm

Sản lượng

Năng suất tại trạm

Năng suất của huyện

Diện tích gieo trồng

Tính trung bình diện tích gieo trồng

2) Khối mạng lưới vệ tinh để giám sát các điều kiện khí tượng, các giai đoạn phát triển của cây trồng và chỉ số thực vật Khối này cũng kết nối với các mô hình tính toán KTNN và các hàm tính toán năng suất cây trồng, năng suất tại trạm, năng suất trung bình huyện và sản lượng cây trồng trong vụ

3) Khối những người theo dõi và quan trắc đồng ruộng bao gồm giám sát các giai đoạn phát triển của cây trồng và những đầu tư cho nông nghiệp Khối này cũng liên quan đến việc xác định diện tích gieo trồng ở các vùng giám sát 4) Khối bản đồ và cơ sở dữ liệu giám sát các loại số liệu tham chiếu Các số liệu tham chiếu được kết nối với các hàm tính toán năng suất cây trồng

5) Khối thống kê nông nghiệp giám sát các số liệu tham chiếu, số liệu nông nghiệp hiện tại và diện tích gieo trồng

Trang web chủ về hệ thống thông tin khí tượng nông nghiệp kết nối với 4 khối: 1) Khối số liệu khí tượng; 2) Khối số liệu nông nghiệp; 3) Khối số liệu khí hậu; 4) Khối các thông tin khác Cấu trúc trang chủ của hệ thống được đưa trên hình I.3 từ đó nhận thấy:

1) Khối số liệu khí tượng bao gồm 3 khối phân tích, mô hình hoá và dự báo Khối phân tích bao gồm đánh giá các yếu tố khí tượng, độ ẩm đất và các loại số liệu khác Khối mô hình hoá sử dụng các sản phẩm của mô hình số trị và các thông tin viễn thám;

2) Khối số liệu nông nghiệp bao gồm: 1) Khối số liệu vật hậu; 2) Khối sâu bệnh; 3) Khối công việc đồng ruộng; 4) Khối công việc tưới tiêu và 5) Khối bảo

vệ thực vật Trong đó khối số liệu vật hậu bao gồm dự báo các giai đoạn vật hậu hình thành năng suất cây trồng (vật nuôi); Khối sâu bệnh bao gồm giám sát các loại côn trùng và vius ; Khối công việc đồng ruông liên quan đến phân tích khả năng làm ruộng và vận chuyển; Khối công việc tưới tiêu liên quan đến cán cân nước và lịch tưới, tiêu; và Khối bảo vệ thực vật liên quan đến việc lập kế hoạch

sử dụng thuốc trừ sâu vầ diệt cỏ

3) Khối số liệu khí hậu (kết nối với các khối: khối các xu thế khí hậu, phân tích xu thế năng suất; khối các bản đồ chuyên đề bao gồm các bản đồ khí hậu và các vùng sử dụng đất);

Hình I.3 Cấu trúc của trang web chủ về hệ thống thông tin khí tượng nông nghiệp hoặc hệ thống thông tin khí tượng nông nghiệp phục vụ an ninh lương

thực [87]

Trang chủ Số liệu khí

tượng

Số liệu nông nghiệp

Số liệu khí hậu

Các thông tin khác

Phân tích Đánh giá số liệu khí

tượng, độ ẩm đất, v.v

Mô hình hóa

Sử dụng các sản phẩm thông tin mô hình số trị và viễn thám

Dự báo Dự báo các tham số

khí tượng, thủy văn v.v…

Vật hậu Dự báo các giai đoạn

phát triển và năng suất

Sâu bệnh Giám sát côn trùng, vi

khuẩn, v.v

Công việc đồng ruộng

Phân tích công việc và khả năng vận chuyển

Tưới tiêu Cán cân nước và lịch

tưới tiêu

Bảo vệ thực vật

Lập kế hoạch sử dụng thuốc trừ sâu, bệnh

Bản đồ chuyên đề Các xu thế

Khí hậu và các vùng sử dụng đất đai

Phân tích xu

thế năng suất,

khí hậu

8

I.1.2.2 Hợp phần khí tượng nông nghiệp của FSIEWS

Hợp phần KTNN của FSIEWS được tích hợp thành sự giám sát sản xuất nông nghiệp, đặc biệt là nó liên quan đến các cây lương thực và chăn nuôi Cho đến nay hầu hết việc giám sát mùa màng và các phương pháp dự báo được phát triển xung quanh cán cân nước được đánh giá trong mùa sinh trưởng và có chú ý đến sự phát triển của cây trồng Việc giám sát các cây trồng dựa vào mưa dựa vào các công cụ cơ bản sau đây:

• Sử dụng số liệu khí tượng thời gian thực;

• Sử dụng các mô hình cán cân nước cho các cây trồng cụ thể;

• Xử lý ảnh vệ tinh thời gian thực;

• Sử dụng các công cụ nội suy không gian;

• Sử dụng lưới bề mặt của các tham số tính toán được liên quan đến cây trồng, hoặc không, từ các ảnh vệ tinh (ví dụ, sức chứa ẩm tối đa đồng ruộng, các loạ đất, lớp phủ đất, sử dụng đất, các mẫu diện tích cây trồng, v.v);

I.1.2.3 Nhóm khí tượng nông nghiệp của FAO

Nhóm KTNN là một phần của Ban Môi trường và Tài nguyên thiên nhiên (Environment and Natural Resources Service-SDRN) thuộc Cục Phát triển Bền vững (SDRN-là đầu mối về số liệu môi trường) Nhóm KTNN tập hợp các số liệu khí tượng thời gian cận thực (chủ yếu là giáng thuỷ) từ các nguồn khác nhau của các trạm trên toàn thế giới để sử dụng trong giám sát KTNN về cây trồng và

dự báo năng suất Các số liệu tham chiếu bao gồm 30.000 trạm khí tượng trên toàn thế giới, kể cả số liệu trung bình chuẩn (trung bình của 30 năm) cũng như chuỗi số liệu theo thời gian từ các nguồn số liệu được xuất bản và chưa xuất bản, chủ yếu là từ các cơ quan khí tượng của các quốc gia và các trung tâm nghiên cứu quốc tế

Bắt đầu từ năm 1974, Nhóm KTNN đã phát triển và liên tục cải tiến phương pháp dự báo mùa màng với mục đích cung cấp các thông tin được cập nhật về các điều kiện mùa màng ở các nước cận Xahara từ Hệ thống Thông tin

toàn cầu của FAO và Hệ thống cảnh báo sớm (FAO’s Global Information and Early Warning System (GIEWS), và cũng cung cấp các công cụ với các hợp phần KTNN cho các Hệ thống thông tin An ninh lương thực và Cảnh báo sớm

Từ những ngày đầu tiên, phương pháp (hướng dẫn) đánh giá định lượng đã được

cụ thể hoá, dựa trên cơ sở các mối quan hệ giữa chỉ số thoả mãn nhu cầu nước của cây trồng (Water Requirements Satisfaction Index -WRSI), được tạo ra từ

mô hình cán cân nước của cây trồng cụ thể và các điều kiện cây trồng (Frère and Popov, 1986) [49] Ngày nay, mục tiêu của phương pháp là dự báo năng suất cây trồng (tấn/ha) và sản lượng trước thu hoạch từ một số tháng

I.1.2.4 Hệ thống thông tin cảnh báo sớm an ninh lương thực và những yêu cầu của người sử dụng về hợp phần KTNN

Nghĩa vụ của cán bộ KTNN là áp dụng tất cả các kỹ năng khí tượng có liên quan để giúp nhà nông sử dụng có hiệu quả nhất môi trường vật lý, với mục đích cao nhất là nâng cao sản lượng nông nghiệp, kể cả số lượng và chất lượng Các cán bộ KTNN cần phải giúp đỡ nhà nông tổ chức và kích hoạt các nguồn sở hữu

để sinh lợi bằng những tư vấn kỹ thuật

Hợp phần KTNN có trách nhiệm chủ yếu trước, trong vụ gieo trồng vì nhân

tố chủ yếu có ảnh hưởng đến năng suất và sản lượng cây trồng ở các nước phát triển là sự dao động của thời tiết giữa các năm Điều ngày càng trở nên quan trọng

là cung cấp các dự báo khí hậu mùa, cụ thể là trước khi bắt đầu vụ gieo trồng để thích ứng hệ thống nông nghiệp với sự dao động thời tiết đã tăng lên

Điều cần nhấn mạnh là sản xuất nông nghiệp và sự an ninh lương thực ở các nước phát triển có thể được cải thiện bằng những tư vấn KTNN ngày càng hiệu quả hơn đối với nhà nông để ổn định năng suất của họ thông qua việc quản lý và khai thác tài nguyên khí hậu nông nghiệp cũng như những nguồn đầu tư khác, như phân bón và thuốc trừ sâu (Gommes, 1993) [51]

I.1.3 Mô hình giám sát và dự báo khí tượng nông nghiệp ở Liên minh châu

Âu (EU) và châu Phi

Đã có hệ thống giám sát và dự báo KTNN cho cả Liên minh EU [65, 81,

87] Hệ thống này có tên tiếng Anh là Agrometeorological Monitoring

Agriculture with remote sensing, trong đó gồm các sản phẩm sau đây: (1) Điều kiện thuận lợi đối với các cây trồng; (2) Những điều kiện KTNN nổi bật (đáng chú ý) ở các vùng trọng điểm; (3) Bản đồ cây trồng (bao gồm các giai đoạn sinh trưởng và phát triển của cây trồng); (4) Bản đồ nhiệt độ, lượng mưa tuần (10 ngày); (5) Bản đồ cán cân nước tính theo các điều kiện khí hậu tuần; (6) Nhu cầu nước của cây trồng, trong đó trình bày kết quả đánh giá hệ số thoả mãn nhu

cầu nước (WRSI) bằng mô hình cán cân nước của từng cây trồng (FAO crop specific Water Balance - CSWB) do FAO xây dựng; (7) Đánh giá khả năng được mùa và mất mùa dựa vào kết quả đánh giá các hệ số thoả mãn nhu cầu nước (WRSI) thực tế và dự báo đến cuối vụ có sử dụng các thông tin khí hậu và

dự báo khí hậu; (8) Kết quả phân tích ảnh viễn thám so với các tuần (tháng) trước, trong đó cho thấy mức độ phát triển của cây trồng, ảnh hưởng của các điều kiện thời tiết bất lợi (hạn hán, ngập úng, rét hại, ) và thiên tai, sâu bệnh đối với cây trồng; (9) Dự báo năng suất cây trồng phục vụ an ninh lương thực các nước trong Liên minh châu Âu và các nước châu Phi Các kết quả này có thể

truy cập từ Internet: http://mars.jrc.it/marsstat/bullentin/2004.htm

I.1.3.1 Mô hình giám sát năng suất cây trồng bằng số liệu khí tượng nông nghiệp thời gian thực ở Châu Âu và châu Phi

Phương pháp giám sát và dự báo năng suất cây trồng của Liên minh châu

Âu đã được xây dựng với sự hợp tác giữa FAO và Liên minh châu Âu, Trung tâm nghiên cứu liên hợp (JRC) thuộc Viện An ninh và An toàn công dân [65, 81, 87] Sơ đồ phương pháp giám sát và dự báo cây trồng được trình bày ở hình I.4 với 3 khối và các nội dung như sau:

Khối thứ 1 gồm 3 khối thành phần: 1) Khối các thông tin về chỉ số NDVI dựa vào vệ tinh SPOT-4 là khối số liệu đầu vào; 2) Khối lấy trung bình không gian của chỉ số NDVI theo đơn vị vùng trồng cây nông nghiệp (CPSZ) có sử dụng Windisp

4 là khối xử lý và các công cụ tính toán; 3) Mô tả các file NDVI của CPSZ, là khối trung gian và các sản phẩm số liệu cuối cùng

Khối thứ 2 gồm 6 khối thành phần: 1) Khối các thông tin về lượng mưa và bốc thoát hơi tiềm năng (PET) là khối số liệu đầu vào (lấy từ dự báo thời tiết hạn vừa của Trung tâm Dự báo châu Âu theo mô hình ECMWF); 2) Khối không gian hoá số liệu theo lưới có sử dụng Surfer 3.2 và Windisp4 là khối xử lý và các công

cụ tính toán; 3) Khối số liệu lượng mưa và các ảnh PET, là khối trung gian và các sản phẩm số liệu cuối cùng; 4) Khối mô hình tính toán và ước lượng ngày gieo trồng, là khối xử lý và các công cụ tính toán; 5) Khối chạy mô hình cán cân nước của cây trồng cụ thể có sử dụng mô hình AgroMetShell ở cấp độ vùng trồng cây nông nghiệp [40]; 6) Khối ngày gieo trồng cây, các chỉ số tiến độ phát triển của cây trồng (CCPI), là khối trung gian và các sản phẩm số liệu cuối cùng

Khối thứ 3 cũng gồm 6 khối thành phần: 1) Khối về cơ sở dữ liệu các vùng trồng cây nông nghiệp, bao gồm các thông tin về: thổ nhưỡng và sức chứa ẩm, số liệu lịch sử về lượng mưa và PET, số liệu độ dài thời kỳ sinh trưởng để xác định mức sử dụng nước của cây trồng (hoặc thực vật) là khối số liệu đầu vào); 2) Khối

số liệu KTNN đã được trung bình hoá cho các nhóm vùng trồng cây nông nghiệp

(CPSZ), là khối xử lý và các công cụ tính toán; 3) Khối chạy mô hình cán cân nước của cây trồng cụ thể có sử dụng mô hình AgroMetShell ở cấp độ vùng trồng cây nông nghiệp [40]; 4) Khối về số liệu bốc thoát hơi thực tế, là khối trung gian và các sản phẩm số liệu cuối cùng; 5) Khối về các hàm năng suất cây trồng ([1-Ya/Ymax =

Ky * (1-ETa/ETmax)], do Doorenbos và Kassam, 1979 đề xuất, là khối xử lý và các công cụ; và 6) Khối về số liệu năng suất (tấn/ha), là khối xử lý và các công cụ

Hình I.4 Sơ đồ phương pháp giám sát và dự báo năng suất cây trồng ở các nước châu Âu, một số nước châu Á và các nước vùng phía Đông của châu Phi [81]

Mặt nạ các cây trồng cụ thể từ dữ liệu CPSZ dùngArcView GIS 3.2

Lượng mưa và PET (mô hình ECMWF)

NDVI

(vệ tinh SPOT-4)

Không gian hoá sô liệu theo lưới sử dụng Surfer 3.2 và Windisp4

Số liệu lượng mưa và các ảnh PET

Mô hình tính toán và ước lượng ngày gieo trồng

• Thông tin về đất và sức chứa ẩm

• Lượng mưa quá khứ và PET

• Số liệu độ dài thời kì sinh trưởng để xác định mức sử dụng nước của cây trồng

Dữ liệu CPSZ

Số liệu KTNN đã được trung bình hoá cho các nhóm vùng trồng cây nông nghiệp

(CPSZ)

Khối lấy trung bình

không gian của chỉ số

NDVI theo đơn vị

- Ngày gieo trồng cây

- Chỉ số tiến triển của cây trồng(CCPI)

Chỉ số thoả mãn nhu cầu nước (WSI)

Năng suất (t/ha)

Mô tả các file

NDVI và CPSZ

I.1.3.2 Mô hình cán cân nước cây trồng (CSWB) sử dụng trong hệ thống

giám sát và dự báo KTNN của EU

Đây là một mô hình rất đơn giản của FAO nhưng về mặt vật lý nó là một

mô hình báo hiệu cán cân nước trong đất và được dùng để đánh giá tác động của

điều kiện thời tiết đối với các cây trồng [81] Mô hình được tính theo tuần 10

ngày

Phương trình cán cân nước có dạng:

Wt = Wt–1 + R – ETm – (r + i) (I.1)

Trong đó,

Wt: Lượng nước giữ được trong đất ở thời điểm t;

Wt–1: Lượng nước giữ được trong đất ở thời điểm cuối của thời kỳ trước (t–1)

R: Lượng mưa tích luỹ trong tuần hoặc trong thời điểm t;

ETm: Bốc thoát hơi cực đại trong thời kỳ t;

r: Lượng nước mất đi do dòng chảy trong thời kỳ t;

i: Lượng nước mất đi do thẩm thấu trong thời kỳ t;

Đã có nhiều công trình nghiên cứu về từng phần tử trong phương trình (I.1)

và có thể sử dụng nhiều phương pháp để đo hoặc tính toán các giá trị của những

phần tử đó Cho đến nay chưa có kết quả tính toán hoặc sự giải thích đầy đủ và

điển hình nào về lượng mưa hữu hiệu trong mô hình này vì sự thẩm thấu và

dòng chảy mặt ngay từ khi bắt đầu vụ đã được thừa nhận là bằng 0 Tuy nhiên,

sau khi độ ẩm đất ở vùng rễ cây đạt đến giá trị bằng sức chứa ẩm tối đa đồng

ruộng thì lượng mưa còn lại được coi như lượng dòng chảy và thẩm thấu Vì

vậy, lượng mưa hữu hiệu được coi là 100% của lượng mưa thực tế và khi đó

phương trình (I.1) có thể viết lại như sau:

Wt = Wt–1 + R – ETm (I.2)

Đại lượng bốc thoát hơi cực đại (ETm) trong phương trình (I.1) và (I.2) là

nhu cầu nước đối với cây trồng và được xác định như sau:

ETm = Kc x PET (I.3)

Trong đó:

Kc: Hệ số cây trồng (crop coefficient)

PET: Bốc thoát hơi tiềm năng (được tính theo [30]), mm/tuần

Sử dụng phương trình (I.2), cán cân nước được tính bằng cách thông thường

bắt đầu với 10 tuần trước gieo trồng Từ tuần gieo trồng trở đi các hệ số cây trồng

Kc được sử dụng Nếu Wt lớn hơn lượng nước của sức chứa ẩm tối đa đồng ruộng

của đất thì đất có thêm nước bổ sung Nếu Wt < 0 thì đất thiếu nước (D)

Hai sản phẩm chủ yếu của mô hình CSWB được chứng minh có quan hệ dương với năng suất cây trồng là lượng bốc thoát hơi thực tế (ETa) và chỉ số thoã mãn về nước (Water Satisfaction Index, WSI)

ETa có lợi thế vì nó bao hàm cả bức xạ, một yếu tố khí hậu quan trọng và

dễ ảnh hưởng đến năng suất cây trồng trong vùng Ảnh hưởng của các nhân tố khác ngoài nhân tố ức chế nước có thể làm giảm năng suất như ngập úng, thiệt hại cơ học do gió, hoặc các nhân tố sinh học như châu chấu, chim, côn trùng hoặc bệnh cây trồng chưa được xem xét đến trong mô hình CSWB

Chỉ số WSI dùng để đánh giá lượng nước mà cây trồng nhận được ở thời điểm bất kỳ nào trong vụ Thông thường, chỉ số WSI dùng để xác định các cấp năng suất (tốt, trung bình, kém) hoặc các con số so sánh (% của năng suất tối ưu của cây trồng) Chỉ số thoã mãn về nước (WSI) được tính theo công thức sau đây: WSI = 100 [1– (∑|D|/WR)] (I.4)

Trong đó:

WSI: Chỉ số thoả mãn nhu cầu nước, biểu thị đơn vị %;

D: Độ thiếu hụt nước trong đất, mm/tuần;

WR: Nhu cầu nước tối đa của cây trồng, mm/tuần

Lượng thiếu hụt nước trong đất, D, được cho bằng 0 khi Wt trong phương trình I.2 bằng 0 hoặc là giá trị dương và bằng Wt nếu là giá trị âm Các giá trị D được cộng lại và chia cho tổng lượng nhu cầu nước của cây trồng trong cả vụ để tính chỉ

số WSI Khi WSI = 100 thì nó chứng tỏ rằng cây không bị ức chế về nước và năng suất là tốt Khi WSI = 50 tương ứng với năng suất kém hoặc mất mùa

Một trong những ứng dụng quan trọng nhất của mô hình CSWB là xác định mức độ bị hạn và đánh giá khả năng năng suất cây trồng dựa vào chỉ số thoả mãn

về nước với các chỉ tiêu được trình bày ở bảng I.1

Bảng I.1 Đánh giá năng suất cây trồng dựa theo chỉ số thoả mãn về nước (WSI) [93]

6 0 Mất mùa hoàn toàn

Trừ 2 đại lượng r và i các đại lượng khác trong các công thức (I.1-I.4) đều được tính toán bằng mô hình CSWB đã được cài sẵn trong phần mềm AgroMetShell mà có thể tham khảo ở [40] và phụ lục I.1

I.1.4 Giám sát và dự báo khí tượng nông nghiệp ở Mỹ

I.1.4.1 Giới thiệu về hoàn cảnh Thời tiết Nông nghiệp chung

Để có điều kiện phối hợp với Cục Thống kê Hoa Kỳ (GAO), đã có ký kết một thoả thuận giữa hai cơ quan Bộ Thương mại và Bộ Nông nghiệp Mỹ về thành lập bộ phận “Hoàn cảnh Thời tiết Nông nghiệp chung (Joint Agricultural Weather Facility-JAWF)” và bộ phận này đã tồn tại 25 năm Bộ phận JAWF được tạo ra như một trung tâm thông tin thời tiết nông nghiệp thế giới nằm ở Bộ Nông nghiệp Mỹ và được Bộ Thương mại/Cơ quan Khí quyển và Đại dương/Cục Thời tiết quốc gia/Trung tâm Dự báo Khí hậu và Bộ Nông nghiệp Mỹ/OCE/Phòng Nhận định Nông nghiệp Thế giới (WAOB) cung cấp cán bộ và điều hành chung Bộ phận này đóng ở Washington và phục vụ như một đầu mối

về thông tin thời tiết/khí hậu/khí tượng nông nghiệp và các đánh giá những tác động của các thông tin này đối với nông nghiệp [66]

JAWF bao gồm một nhóm các nhà khí tượng nghiệp vụ của Cục Thời tiết quốc gia (NWS) và các kỹ sư KTNN của Phòng Nhận định Nông nghiệp Thế giới (WAOB) có nhiệm vụ giám sát các điều kiện thời tiết toàn cầu và chuẩn bị những đánh giá nông nghiệp thời gian thực (Puterbaugh, và nnk, 1997; Motha

và Heddinghaus, 1986) Những đánh giá này được duy trì và cung cấp đầy đủ các thông tin về những diễn biến có liên quan đến thời tiết và ảnh hưởng của chúng đến cây trồng và vật nuôi cho cộng đồng các nhà phân tích của Bộ Nông nghiệp, Bộ trưởng Bộ Kinh tế, Bộ trưởng Bộ Nông nghiệp và các nhân viên đứng đầu các cơ quan có liên quan Sau khi được kết hợp với những kết quả phân tích, những đánh giá định kỳ và đặc biệt về thời tiết - cây trồng được gửi cho các nhà ra quyết định để thành lập các dự báo sản lượng cây trồng và chính sách thương mại JAWF có nhiệm vụ đầu tiên là giám sát thời tiết toàn cầu và xác định những tác động tiềm ẩn đối với nông nghiệp Các nhà khí tượng của JAWF dựa nhiều vào số liệu khí hậu và thời tiết từ tất cả 15.000 trạm khí tượng

từ các nguồn quốc tế và Hoa Kỳ Vì vậy, một trong những nhiệm vụ quan trọng nhất của JAWF là xử lý những khối lượng số liệu lớn bằng phương thức hiệu quả và đúng thời hạn nhất và tạo ra những sản phẩm và các đánh giá nông nghiệp có ý nghĩa đối với cộng đồng những người sử dụng (JAWF, 1994)

I.1.4.2 Các hoạt động khí hậu và thời tiết nông nghiệp của Bộ Thương mại

và Bộ Nông nghiệp

Phục vụ các hoạt động thời tiết nông nghiệp và đáp ứng những nhu cầu của người sử dụng là nhiệm vụ quan trọng đối với Chương trình Thời tiết Nông nghiệp Quốc gia (NWS) Cục Thời tiết Quốc gia có nhiệm vụ duy trì mạng lưới quan trắc thời tiết Sự kiểm kê các thiết bị quan trắc của NWS sẽ được kiểm tra

chặt chẽ để xác định những nguồn số liệu nào có sẵn để những nhà khí tượng tư nhân dùng; tiến hành những quan trắc có liên quan và dự báo khí hậu quốc gia

và cho những chương trình khác như dự báo và cảnh báo phục vụ công cộng Những số liệu cơ bản cực kỳ quan trọng để tạo ra các dự báo nông nghiệp cần có cho tất cả những người sử dụng [66]

Thời tiết đóng vai trò sống còn trong các giai đoạn của sản xuất nông nghiệp

Để bổ sung cho các nhu cầu chung về thời tiết đối với sản xuất nông nghiệp, mỗi loại hoạt động nông nghiệp có một tổ hợp thống nhất về các biến số thời tiết có ảnh hưởng đến nó Có 22 yếu tố số liệu thời tiết cụ thể đối với các hoạt động sản xuất nông nghiệp được đưa ra và những loại hoạt động nông nghiệp cụ thể được

mô tả cho từng loại yếu tố thời tiết (bảng I.2)

Bảng I.2 Các nhu cầu về số liệu thời tiết cụ thể đối với các hoạt động sản xuất

Trồng trọt, thu hoạch, giám sát thời tiết-cây trồng, phát hiện/bảo vệ phòng ngừa băng giá, sự rụng lá, mô hình hoá cây trồng, rủi ro về bệnh, tìm chỗ ẩn nấp cho cừu và

bò sinh đẻ, kiểm tra sâu bệnh hại cây trồng, thu cắt lông vật nuôi, tính toán bốc thoát hơi tiềm năng, tính toán độ hụt áp suất hơi nước, số giờ lạnh giá đối với cây ăn quả

có hột cứng, tính toán nhiệt độ sinh trưởng trong ngày

2 Nhiệt độ tối cao

(toàn vùng)

Các cực trị ngày và tuần

Cần có để xác định các điều kiện tối ưu và không thuận lợi đối với cây trồng và vật nuôi, mô hình hoá cây trồng, giám sát các hiện tượng cực trị, ước lượng lớp tuyết phủ, tính toán nhiệt độ sinh trưởng trong ngày

3 Nhiệt độ tối thấp

(toàn vùng)

Các cực trị ngày và tuần

Cần có để xác định các điều kiện tối ưu và không thuận lợi đối với cây trồng và vật nuôi, phát hiện băng giá, sự rụng lá, mô hình hoá cây trồng, các điều kiện qua đông,

và giám sát các hiện tượng cực trị, ước lượng lớp tuyết phủ, tính toán nhiệt độ sinh trưởng trong ngày

TT Loại dữ liệu Thời đoạn Các hoạt động nông nghiệp

7 Mưa đá Giờ Sự thiệt hại của cây trồng, đánh giá rủi ro, tác động năng

suất

8 Đảo nghịch nhiệt Hàng ngày Phun thuốc sâu, diệt cỏ theo khu vực nông nghiệp, các

biện pháp chống sương muối

14 Hướng gió (toàn

Ngày Tính toán bốc thoát hơi tiềm năng (PET), mô hình hoá

cây trồng, trồng trọt, thu hoạch

19 Bão tuyết, bão,

bão nhiệt đới Ngày

Giám sát cây trồng, đánh giá những rủi ro gây thiệt hại năng suất, bảo vệ tài nguyên

20 Quỹ đạo bão/Sức

mạnh của bão Ngày

Những ảnh hưởng đến nông nghiệp, quản lý rủi ro, khả năng xảy ra lũ lụt, giám sát hạn hán

21 Nhiệt độ đất Ngày Các điều kiện trồng trọt và qua đông, giám sát cây

trồng, cấy, bón phân

22 Bốc hơi (chậu) Ngày Lập lịch tưới tiêu, tính toán cán cân nước, tính toán

PET, mức sử dungh nước của cây trồng

Để đưa ra các quyết định, Bộ Nông nghiệp Mỹ cần đến các thông tin thời tiết hiện tại để nghiên cứu và hỗ trợ các nhà trồng trọt trong việc điều hành các các hoạt động quản lý Nó bao gồm các quyết định chiến lược (trồng cây gì) hoặc các

quyết định chiến thuật (khi nào tưới) Dựa vào đó Bộ Nông nghiệp Mỹ có thể hỗ trợ các nhà nông trong việc đưa ra các quyết định có cần đến những bộ số liệu thời tiết chi tiết Các nhu cầu số liệu thời tiết cho 14 hoạt động nông nghiệp cụ thể, dao động từ chuẩn bị đất đến tránh băng giá được quảng bá trên các báo cáo của Bộ Nông nghiệp Mỹ Việc truy cập các số liệu thời tiết cận thời gian thực thông qua Internet là rất được mong muốn và ưa chuộng

Các số liệu thời tiết gần và quá khứ cũng được các chương trình bảo hiểm

và bắt buộc như một nguồn thông tin bổ sung để xác định những thiệt hại có khách quan và hợp lý không và những người sản xuất và các cơ quan tái bảo hiểm tuân thủ các hợp đồng bảo hiểm Bộ Nông nghiệp Mỹ cũng đóng vai trò chủ đạo trong Ban Chính sách Hạn hán Quốc gia (NDPC) và hoạt động theo các vấn đề chính sách hạn hán, có yêu cầu giám sát các điều kiện hạn hán và dự báo (NDPC, 2000)

I.1.4.3 Tuần báo Thời tiết và cây trồng

Tuần báo Thời tiết và Cây trồng (The Weekly Weather and Crop Bulletin (WWCB) đã được hình thành từ năm 1872, 2 năm sau khi Quốc hội Mỹ thông qua nghị quyết và được Tổng thống Ulysses S Grant ký vào ngày 09 tháng 2 năm 1870, nhằm thành lập một loại hình phục vụ mới trong Bộ Chiến tranh để tiến hành quan trắc khí tượng Bộ trưởng Chiến tranh nhanh chóng ban hành một đơn vị phục vụ mới có tên là “Phòng Điện báo và Báo cáo về lợi ích thương mại” Vào năm 1872, Phòng này đã bắt đầu xuất bản Niên san Thời tiết hàng tuần (Weekly Weather Chronicle) để giúp đỡ thương mại và nông nghiệp Ấn phẩm này là tiền thân của Tuần báo Thời tiết-Cây trồng ngày nay (WWCB) và gồm có 2 trang được in để phân phát có chứa tổng quan chung về thời tiết trong từng tuần kết thúc vào ngày thứ Tư hàng tuần [66]

Ấn phẩm này đã được phát triển dần trong 129 năm qua thành một ấn phẩm cung cấp những nguồn thông tin vô giá liên quan đến các doanh nghiệp nông nghiệp khu vực, quốc gia, và quốc tế Từ năm 1978, Tuần báo này được JAWF biên soạn và phối hợp với Trung tâm Dự báo Khí hậu của Bộ Thương mại, Cục Nhận định Nông nghiệp Thế giới của Bộ Nông nghiệp Mỹ, và Cục Thống kê Nông nghiệp Quốc gia (NASS) Ấn phẩm này là một ví dụ sáng ngời về hai Bộ chủ yếu trong Chính phủ Liên bang có thể hợp tác, kết hợp với nhau về KTNN để đưa ra một sự phục vụ có lợi cho kinh tế của đất nước Các số liệu và thông tin chứa trong các Tuần báo này được tạo ra bằng những cố gắng và nỗ lực của hàng ngàn người, bao gồm khoảng 3000 cơ quan của các vùng mở rộng, các báo cáo cây trồng của Cục Thống kê Nông nghiệp Quốc gia, các nhân viên công tác trên đồng ruộng, các trường đại học của các bang, các cơ quan dự báo phục vụ thời tiết quốc gia, và hơn 5000 quan trắc viên thời tiết, hầu hết là những người tình

nguyện, đang làm việc với Cục Thời tiết Quốc gia Tuần báo nhấn mạnh những tiến triển hàng tuần về khí tượng, nông nghiệp trên quy mô quốc gia và quốc tế, cung cấp những tổng hợp đã được viết ra về các điều kiện thời tiết và khí hậu có ảnh hưởng đến nông nghiệp, cũng như bản đồ và bảng biểu chi tiết về các thông tin khí tượng nông nghiệp phù hợp với từng mùa vụ

Tuần báo cũng nhấn mạnh những ảnh hưởng tích luỹ của thời tiết đối với

sự sinh trưởng và phát triển của cây trồng, các điều kiện thời tiết ảnh hưởng đến các hoạt động canh tác quan trọng như trồng trọt và thu hoạch, và có ảnh hưởng rất lớn đến năng suất ở các giai đoạn phát triển cốt yếu nhất Tuần báo này cung cấp đúng hạn các thông tin thời tiết và cây trồng kết hợp với các báo cáo “Đánh giá sản lượng cây trồng” và “Cung cấp - Nhu cầu Nông nghiệp Thế giới” định

kỳ hàng tháng Những người sử dụng chủ yếu của Tuần báo WWCB bao gồm: những người trồng trọt và chăn nuôi, các tổ chức cơ quan nông nghiệp, các doanh nghiệp nông nghiệp, các nhà xây dựng chính sách nông nghiệp quốc gia

và các bang, các nhà mua nông sản quốc tế và các cơ quan Chính phủ Các thống kê nông nghiệp được sử dụng để lập kế hoạch và các chương trình quản lý khác có liên quan ở Liên bang và các bang trong các lĩnh vực như bảo vệ người tiêu dùng, ngoại thương, đào tạo và giải trí

I.1.5 Giám sát và dự báo năng suất cây trồng ở Trung Quốc

Việc giám sát và dự báo năng suất cây trồng ở Trung Quốc được tiến hành từ năm 1983 [19] Các cơ quan sau đây tham gia vào các hoạt động giám sát cây trồng: 1) Bộ Nông nghiệp;

2) Cục Khí tượng Trung Quốc

3) Viện Hàn lâm Khoa học Trung Quốc;

4) Cục Thống kê Quốc gia Trung Quốc

5) Các viện và các cơ quan nghiên cứu khác

Giám sát và dự báo năng suất cây trồng ở Trung Quốc bao gồm các nội dung sau đây:

1) Giám sát sự thay đổi diện tích cây trồng;

2) Giám sát sự sinh trưởng của cây trồng;

3) Dự báo năng suất cây trồng;

4) Giám sát môi trường và thiên tai,v.v ;

5) Giám sát cán cân cỏ và vật nuôi

Hình I.5 Sơ đồ phương pháp giám sát cây trồng ở Trung Quốc [19]

Bản đồ sử dụng đất tỉ lệ 1:250.000

Ước lượng năng suất cho diện tích được quyết định lấy mẫu

Lựa chọn các ảnh

viễn thám

Bản đồ đường biên

tỉ lệ 1:100.000 hoặc 1:50.000

Cơ sở dữ liệu mặt

đất

Hệ thống thông tin địa lý

Tăng diện tích cây

Mô hình tính toán năng suất theo đơn vị diện tích

Kiểm tra độ chính xác

Giám sát hạn hán

Giám sát sinh trưởng Quyết định diện tích

lấy mẫu để giám sát

Hình I.6 Sơ đồ phương pháp dự báo năng suất cây trồng theo huyện, tỉnh ở

Trung Quốc [19]

Việc giám sát cây trồng có sử dụng thông tin vệ tinh được bắt đầu từ năm

1998 và tiến hành quanh năm và cho toàn bộ quốc gia Các cây trồng chính được giám sát bao gồm: Lúa mì đông và lúa mì xuân, ngô, đậu tương, bông, lúa nước

và một số cây trồng khác Phương pháp giám sát các cây trồng chính được thể hiện trên hình I.5; phương pháp dự báo năng suất cây trồng được thể hiện trên hình I.6

Bộ số liệu năng suất cây

Số liệu giám sát sinh trưởng/hạn hán và chỉ số

thực vật

Các mô hình hiệu chỉnh sinh trưởng/hạn hán

Chương 2

MÔ HÌNH GIÁM SÁT VÀ DỰ BÁO KHÍ TƯỢNG NÔNG NGHIỆP Ở

VIỆT NAM I.2.1 Tình hình giám sát KTNN và dự báo năng suất

Ở Việt Nam việc nghiên cứu mối quan hệ giữa thời tiết - khí hậu và sự sinh trưởng, phát triển, năng suất của cây trồng đã được quan tâm nghiên cứu ở Tổng cục Khí tượng Thuỷ văn trước đây thông quan các đề tài nghiên cứu như của PGS.TS Lê Quang Huỳnh (1988) về đánh giá điều kiện khí tượng nông nghiệp (KTNN) đối với một số cây trồng chính của Việt Nam [9], PGS.TS Nguyễn Văn Viết (1991) về điều kiện khí tượng nông nghiệp đối với sự hình thành năng suất cây ngô và khoai tây vụ đông ở đồng bằng Bắc Bộ [15], TS Nguyễn Văn Liêm (1999) về thành phần cán cân nước đồng ruộng và ảnh hưởng của nó đến năng suất của cây đậu tương đông ở đồng bằng Bắc Bộ [11], KS Ngô Sỹ Giai về điều kiện KTNN đối với sinh trưởng và phát triển của lúa ở đồng bằng Bắc Bộ,

TS Nguyễn Đại Khánh (2003) về điều kiện KTNN cây chè ở Việt Nam [10] Mặc dù đã có một số đề tài nghiên cứu về điều kiện KTNN của cây ngô, lạc và đậu tương nhưng phạm vi nghiên cứu các đề tài này còn hẹp, mang tính chất tổng quát, chưa thể sử dụng trong dự báo năng suất cây trồng Vì vậy, chưa xây dựng được các mô hình dự báo để áp dụng trong dự báo năng suất các cây trồng cạn như ngô, lạc, đậu tương ở Việt Nam Từ những năm 1990 một số đề tài nghiên cứu đã đi sâu theo hướng phân tích và kiểm nghiệm để đánh giá khả năng áp dụng kết quả nghiên cứu trong dự báo năng suất lúa như các đề tài nghiên cứu của TS Nguyễn Thị Hà, KS Ngô Sỹ Giai và các cộng tác viên về xây dựng công nghệ dự báo năng suất lúa ở đồng bằng Bắc Bộ, đồng bằng sông Cửu Long [7, 8] Tuy nhiên kết quả nghiên cứu của các đề tài mới chỉ áp dụng được trong nghiệp vụ dự báo năng suất lúa cho vùng đồng bằng Bắc Bộ, Bắc Trung Bộ (Thanh Hoá, Nghệ An, Hà Tỉnh) và đồng bằng sông Cửu Long

Ở Việt Nam, để phục vụ sản xuất nông nghiệp và đảm bảo an ninh lương thực trên phạm vi cả nước rất cần có hệ thống giám sát và dự báo KTNN như ở Trung Quốc, EU và Mỹ Tuy nhiên, cho đến nay ở nước ta chưa có hệ thống này một cách hoàn chỉnh Các hoạt động giám sát và dự báo KTNN hiện tại ở Trung tâm Nghiên cứu Khí tượng Nông nghiệp, Viện Khoa học Khí tượng Thuỷ văn và Môi trường còn ở quy mô rất nhỏ, chỉ mới đưa ra được một số sản phẩm rất khiêm tốn, bao gồm: 1) Thông báo KTNN hàng tháng; 2) Dự báo năng suất lúa cho vùng Đồng bằng Bắc Bộ, Bắc Trung Bộ và Đồng bằng sông Cửu Long; 3) Các bản tin tổng kết và đánh giá điều kiện KTNN 2 vụ Đông xuân và Mùa Các bản tin giám sát chỉ được thực hiện một cách thủ công mà chưa được công nghệ hoá một cách liên hoàn trong các khâu tính toán, chuyển đổi, chiết xuất và nhân rộng thông tin Vì vậy nội dung các bản tin còn ở phạm vi bó hẹp, chưa thực sự

đáp ứng kịp thời nhu cầu phục vụ sản xuất nông nghiệp và phát triển kinh tế quốc dân hiện nay Vì vậy rất cần tiếp tục tổ chức nghiên cứu xây dựng qui trình giám sát KTNN và dự báo năng suất một số cây trồng chính có giá trị kinh tế và xuất nhập khẩu cao ở Việt Nam để phục vụ sản xuất nông nghiệp, bảo đảm an ninh lương thực quốc gia

I.2.2 Đề xuất sơ đồ khung về mô hình giám sát và dự báo khí tượng nông nghiệp bằng thông tin mặt đất ở Việt Nam

Trên cơ sở nghiên cứu và xem xét các mô hình hệ thống giám sát và dự báo khí tượng nông nghiệp về năng suất cây trồng của Tổ chức Nông nghiệp và Lương thực Liên hợp quốc, Tổ chức Khí tượng Thế giới và của các nước trên thế giới, có thể đề xuất xây dựng mô hình khung của hệ thống giám sát và dự báo khí tượng nông nghiệp về năng suất cây trồng ở Việt Nam với cách tiếp cận như sau:

Trong giai đoạn hiện nay, do chưa có điều kiện sử dụng các thông tin viễn thám, mô hình giám sát và dự báo khí tượng nông nghiệp về năng suất cây trồng

sẽ chỉ dựa váo các thông tin từ mặt đất Sơ đồ khung của hệ thống này sẽ bao gồm hai khối (được trình bày ở hình I.7)

Khối thứ 1 gồm 3 khối thành phần: 1) Khối các thông tin về lượng mưa (lấy

từ dự báo thời tiết hạn vừa của Trung tâm Dự báo Khí tượng Thuỷ văn Trung ương thuộc Trung tâm Khí tượng Thuỷ văn Quốc gia, Bộ Tài nguyên và Môi trường) và PET là khối số liệu đầu vào ; 2) Khối chạy mô hình cán cân nước của cây trồng cụ thể có sử dụng mô hình AgroMetShell ở cấp độ vùng trồng cây nông nghiệp; 3) Khối chỉ số thoả mãn nhu cầu nước là khối kết quả tính toán

Khối thứ 2 gồm 6 khối thành phần: 1) khối về cơ sở dữ liệu của các tỉnh thuộc 9 vùng sinh thái nông nghiệp của Việt Nam, bao gồm các thông tin về thổ nhưỡng và sức chứa ẩm của các loại đất chính ở 9 vùng sinh thái, số liệu lịch sử

về lượng mưa và PET, số liệu độ dài thời kỳ sinh trưởng, ngày gieo trồng cây thực tế (được nhập từ điện AGROM) đối với từng loại cây trồng cụ thể, các chỉ

số tiến độ phát triển của 4 cây trồng chính để xác định mức sử dụng nước của cây trồng là khối số liệu đầu vào); 2) khối số liệu KTNN của 9 vùng sinh thái nông nghiệp, là khối xử lý và các công cụ tính toán; 3) Khối chạy mô hình cán cân nước của cây trồng cụ thể có sử dụng mô hình AgroMetShell ở cấp độ vùng trồng cây nông nghiệp; 4) Khối về số liệu bốc thoát hơi được tính theo phương pháp FAO 56 dựa theo số liệu khí tượng thực tế, là khối trung gian và các sản phẩm số liệu cuối cùng; 5) Khối về các hàm năng suất cây trồng, là khối xử lý

và các công cụ tính toán; và 6) Khối về số liệu năng suất (tạ/ha), là khối xử lý và các công cụ tính toán

Hình I.7 Sơ đồ khung về hệ thống giám sát và dự báo năng suất cây trồng bằng

thông tin mặt đất ở Việt Nam

Để khai thác và sử dụng mô hình này cần tiến hành các nội dung sau đây: 1) Chi tiết hoá và bổ sung số liệu KTNN, đặc biệt là số liệu bốc thoát hơi tiềm năng, các hằng số thuỷ văn nông nghiệp của các loại đất chính và các số liệu có liên quan cho 9 vùng sinh thái nông nghiệp Việt Nam;

2) Chuẩn bị số liệu khí tượng theo không gian và thời gian (tuần, tháng, vụ) cho hệ thống giám sát và dự báo năng suất cây trồng ở 9 vùng sinh thái nông nghiệp Việt Nam;

3) Phương pháp giám sát và dự báo năng suất cây trồng bằng số liệu mặt đất cho các vùng sinh thái nông nghiệp ở Việt Nam Việc chi tiết hóa sơ đồ khối

hệ thống giám sát và dự báo năng suất cây trồng ở Việt Nam được thể hiện thông qua sơ đồ khung như sau (hình I.8) :

Lượng mưa và PET

(Số liệu dự báo) • Thông tin về đất và sức chứa ẩm

• Lượng mưa quá khứ và PET

• Số liệu về thời vụ gieo trồng, độ dài thời kì sinh trưởng để xác định mức sử dụng nước của cây trồng

• Chỉ số tiến độ phát triển của cây trồng

Dữ liệu của các vùng

Số liệu KTNN cho các vùng trồng cây nông nghiệp

Mô hình cán cân nước của cây trồng có sử dụng mô hình AgrometShell ở cấp độ vùng

trồng cây nông nghiệp

ET a

Các hàm năng suất cây trồng

Chỉ số thoả mãn nhu cầu

nước

Năng suất (tạ/ha)

Hình I.8 Sơ đồ khối giám sát và dự báo năng suất cây trồng bằng thông tin mặt đất ở Việt Nam

PHẦN II NGHIÊN CỨU DỰ BÁO NĂNG SUẤT TRUNG BÌNH THEO TỈNH CỦA

3 CÂY TRỒNG NGÔ, LẠC, ĐẬU TƯƠNG Ở VIỆT NAM

Chương 1 PHƯƠNG PHÁP NGHIÊN CỨU VÀ SỐ LIỆU SỬ DỤNG

Để phân tích mối tương quan giữa năng suất cây trồng và điều kiện ngoại cảnh, trên cơ sở đó xây dựng các mô hình dự báo năng suất, trên thế giới cũng như ở Việt Nam hiện nay có rất nhiều phương pháp; tuy nhiên, theo thuyết minh

đề cương được phê duyệt, trong phạm vi đề tài này đã sử dụng 2 phương pháp

để nghiên cứu xây dựng mô hình dự báo năng suất cho các cây trồng ngô, lạc, đậu tương Đó là:

1) Phương pháp hồi quy từng bước

2) Phương pháp trực giao

Từ kết quả thu được sau khi sử dụng 2 phương pháp nghiên cứu trên sẽ tiến hành kiểm chứng và so sánh các kết quả để rút ra các phương án dự báo tối ưu, trên cơ sở đó sẽ xây dựng phần mềm dự báo năng suất ngô, lạc, đậu tương ở Việt Nam Chi tiết về phương pháp nghiên cứu có thể tham khảo ở các tài liệu [12, 27, 28]

Tóm tắt phương pháp sử dụng trong nghiên cứu được đưa sau đây

II.1.1 Phương pháp hồi quy từng bước

Như đã biết, trong nghiên cứu khí tượng thuỷ văn nói chung và khí tượng nông nghiệp nói riêng ta thường gặp bài toán hồi quy nhiều biến Tuy nhiên, các yếu tố khí tượng nông nghiệp nói chung thường có tác động qua lại và ảnh hưởng lẫn nhau Bởi vậy, khái niệm biến độc lập chỉ mang nghĩa hình thức Điều đó có nghĩa là giữa các biến độc lập thường có mối quan hệ tương quan nào đó Mặt khác, giữa các biến độc lập và biến phụ thuộc cũng tồn tại những mối quan hệ ràng buộc Do đó, có thể xảy ra tình trạng các biến độc lập được chọn đều tương quan tốt với nhau và tương quan tốt với cả biến phụ thuộc Ý nghĩa cung cấp thông tin của các biến độc lập vì thế mà giảm đi Trong nhiều trường hợp, điều đó dẫn đến hậu quả là mặc dù phương trình hồi quy khá phức tạp, do sự có mặt của nhiều biến độc lập nhưng độ chính xác của nó lại kém hơn

do sai số quan trắc, sai số ngẫu nhiên, sai số tính toán mang lại Vì vậy, vấn đề đặt ra là phải xác định xem những biến nào trong các biến độc lập có ảnh hưởng đáng kể đến biến phụ thuộc, có nhất thiết tất cả các biến được chọn đều phải có

mặt trong phương trình hồi quy hay chỉ là một bộ phận nào đó Phương pháp hồi quy từng bước sẽ giúp ta giải quyết vấn đề này Tóm tắt các bước thực hiện trong phương pháp hồi quy từng bước như sau:

Bước 1: Tính các hệ số tương quan toàn phần giữa X1 (biến phụ thuộc) và (m-1) các biến độc lập Xi (i = 2,3 , , m), chọn trong chúng hệ số có giá trị tuyệt đối lớn nhất

Giả sử r { } r

≤ ≤

max Khi đó biến X2 là biến có tác động chính đến X1

và ta xác định phương trình hồi quy X1(1) = a1

(1)

+ a2 (1)

.X2 Tương ứng phương trình này ta tính chuẩn sai thặng dư S(1)

Bước 2: Tính các hệ số tương quan riêng r1,i.2 (i = 3, , m) và chọn hệ số

≤ ≤ , khi đó ta chọn tiếp biến X3 và xác định phương trình hồi quy: X1

(2)

= a1 (2)

+ a2 (2)

X2 + a3

(2)

X3 Tương ứng với nó ta tính chuẩn sai thặng dư S(2) và phương trình hồi quy hai biến này có độ chính xác được đánh giá bởi S(2)

Bước 3: So sánh giá trị chuẩn sai thặng dư S(2) với S(1) Nếu

− 〈 ε thì biến X3 bị bỏ qua và một biến khác trong số các biến còn lại

sẽ được lựa chọn để tính như bắt đầu từ bước 2 Ở đây ε là một số dương ta đưa vào để đánh giá xem nếu tăng thêm biến cho phương trình hồi quy thì độ chính xác có tăng lên đáng kể hay không? (khi thêm vào phương trình hồi quy một biến mới thì đóng góp thông tin của nó làm giảm sai số được bao nhiêu phần trăm) Nếu mức độ giảm không vượt quá ε thì có thể bỏ qua nó Quá trình cứ tiếp tục như vậy cho đến khi hết tất cả các biến Sau quá trình lọc biến, mô hình sẽ chọn ra được các yếu tố khí tượng nông nghiệp có ảnh hưởng đáng kể nhất đến năng suất, trên cơ sở đó xây dựng các phương trình hồi quy dùng để dự báo năng suất

Việc ứng dụng phương pháp hồi quy từng bước trong xây dựng các phương trình dự báo năng suất được thực hiện thông qua mô hình "Thống kê thời tiết - cây trồng" Có thể tóm tắt nguyên lý hoạt động của mô hình này như sau:

Mô hình thống kê thời tiết - cây trồng được xây dựng dựa trên cơ sở nghiên cứu của các nhà nghiên cứu khí tượng nông nghiệp trên thế giới [27, 28], trong

đó năng suất cây trồng có thể được tách thành 3 hợp phần do 3 nhóm yếu tố có ảnh hưởng nhiều nhất đến năng suất như sau:

1/ Nhóm các thành phần không ngẫu nhiên;

2/ Nhóm các thành phần ngẫu nhiên và

3/ Nhóm các nhiễu ngẫu nhiên (random noises)

Nhóm các tác động của các thành phần không ngẫu nhiên bao gồm các hoạt động quản lý cây trồng, sử dụng phân bón, bảo vệ thực vật, đặc tính giống, điều kiện đất đai, canh tác và những tiến bộ kỹ thuật khác do con người tạo nên Thành phần năng suất được tạo nên bởi tác động của nhóm những yếu tố này được gọi là thành phần năng suất xu thế Nhóm các tác động của thành phần ngẫu nhiên bao gồm các điều kiện khí hậu thời tiết của năm cụ thể tạo nên Thành phần năng suất được tạo nên bởi tác động của những yếu tố ngẫu nhiên này được gọi là thành phần năng suất do tác động của điều kiện thời tiết tạo nên, gọi tắt là “năng suất thời tiết” Nhóm các tác động nhiễu ngẫu nhiên gồm những tác động khác không được tính đến trong hai nhóm đầu như là sai số ngẫu nhiên trong quá trình thống kê Vì vậy, một cách tổng quát có thể viết:

Y = Yt + Yw + ∆Y (II.1.1) Trong đó: Y - năng suất cây trồng;

Yt - thành phần năng suất xu thế do nhóm các tác động không ngẫu nhiên tạo nên; là hàm của thời gian và được hình thành trong trạng thái thời tiết ở mức trung bình

Yw- thành phần năng suất “thời tiết” do tác động của các điều kiện khí hậu thời tiết trong từng vụ/năm cụ thể tạo nên

∆Y- sai số ngẫu nhiên; thường được bỏ qua trong dự báo năng suất Vì vậy, khi dự báo năng suất, năng suất dự báo có thể được tính như sau:

Y' = Y't + Y'w (II.1.2) Trong đó: Y' - năng suất dự báo

Y't - năng suất xu thế dự báo;

Y'w - năng suất “thời tiết” dự báo

Trong mô hình thống kê thời tiết - cây trồng, năng suất xu thế được xác định bằng cách chọn từ một loạt hàm số theo các dạng tuyến tính, phi tuyến tính, trung bình trượt với các bước trượt khác nhau hoặc hàm thích hợp theo từng giai đoạn thời gian sao cho phù hợp nhất với năng suất thực của các vùng đã chọn Việc chọn dạng đường xu thế được dựa trên cơ sở sao cho phân bố của độ lệch năng suất thực tế so với năng suất xu thế tương ứng tiến gần đến quy luật phân

bố chuẩn Điều này sẽ hạn chế được tính chủ quan trong các kết quả thu được khi xây dựng mô hình dự báo [7, 8] Sau khi tính được năng suất xu thế sẽ tính được giá trị chênh lệch giữa năng suất thực và năng suất xu thế như sau:

Yw = Y - Yt (II.1.3) Các giá trị Yw này sẽ được sử dụng ở bước tiếp trong mô hình thống kê thời tiết - cây trồng để tìm phương trình dự báo thành phần “năng suất thời tiết” theo phương pháp hồi quy từng bước bằng phép lọc Stepwise với ngưỡng lọc biến theo