Моделирование и прогнозирование урожайности сои в условиях изменения климата

Исследования проводили с целью определения возможности компенсации негативного влияния климатических изменений другими факторами повышения урожайности сои на основе теоретической зависимости региональной величины этого показателя от средних температур. Расчет коэффициентов локализации посевов культуры по регионам России продемонстрировал серьезные изменения в ее региональной специализации. Выделены два соевых кластера – традиционный дальневосточный и формирующийся европейский. На основе доступных региональных данных рассчитана регрессионная зависимость урожайности сои от средних температур и выполнены сценарные прогнозы урожайности культуры по регионам России по климатическим сценариям RCP8.5 (инерционный сценарий, который дает максимально возможные изменения климата) и RCP4.5 (предполагает наличие умеренных, а потому наиболее вероятных усилий по снижению выбросов CO₂ и частичного нивелирования потепления) до 2100 г. По сценарию RCP8.5 сокращение средней величины этого показателя в последнем десятилетии прогнозного периода (2091–2100 гг.) к средней фактической урожайности за 2012–2021 гг. на 50 % и более возможно в Краснодарском и Ставропольском краях, в Республиках Северная Осетия-Алания и Адыгея, Чеченской Республике, Астраханской и Ростовской областях. По сценарию RCP4.5 аналогичное сокращение прогнозируется только в Ростовской области. Следовательно, изменение климата по инерционному сценарию приведет к более серьезным подвижкам в специализации регионов. Негативное воздействие температурного фактора может быть сглажено благодаря результатам технологического развития. Средняя урожайность сои за 2011–2020 гг. выросла, по отношению к 2001–2010 гг., в Алтайском крае в 1,27 раза, в Амурской области – в 1,37 раза, в Белгородской – в 1,94 раза. Сохранение таких темпов на протяжении прогнозного периода позволяет в большинстве регионов не снижать, а даже увеличивать урожайность независимо от климатического сценария. 

1. Soybean response to weather and climate conditions in the Krasnodar and Primorye territories of Russia over the past decades / L. Y. Novikova, P. P. Bulakh, A. Y. Nekrasov, et al. // Agronomy. 2020. Vol. 10. No. 9. Article 10091278. URL: https://www.mdpi.com/20734395/10/9/1278 (дата обращения: 01.03.2023). doi: 10.3390/agronomy10091278.

2. Leng G., Huang M. Crop yield response to climate change varies with crop spatial distribution pattern // Scientific Reports. 2017. Vol. 7. No. 1. Article 1463. URL: https://www.nature.com/articles/s41598-017-01599-2 (дата обращения: 01.03.2023). doi: 10.1038/s41598-017-01599-2.

3. Антонова Н. Е., Синеговский М. О. Соеводство в Амурской области в разрезе глобального и национального трендов // Регионалистика. 2016. Т. 3. № 2. С. 21–35.

4. Малашонок А. А., Синеговский М. О. Моделирование и прогнозирование урожайности сои в Амурской области // Достижения науки и техники АПК. 2017. Т. 31. № 8. С. 90–92.

5. Галиченко А. П., Фокина Е. М. Влияние метеорологических условий на формирование урожайности сортов сои селекции ВНИИ сои // Аграрный вестник Урала. 2022. № 7 (222). С. 16–25. doi: 10.32417/1997-4868-2022-222-07-16-25.

6. Ковшик И. Г., Науменко А. В. Климатические и погодные условия юга Амурской области и их влияние на урожайность сои // Дальневосточный аграрный вестник. 2015. № 4 (36). С. 8–13.

7. Climate change and management impacts on soybean N fixation, soil N mineralization, N2O emissions and seed yield / E. F. Elli, I. A. Ciampitti, M. J. Castellano, et al. // Frontiers in Plant Science. 2022. Vol. 13. Article 1097. URL: https://www.frontiersin.org/articles/10.3389/fpls.2022.849896/full (дата обращения: 01.03.2023). doi: 10.3389/fpls.2022.849896.

8. Yu C., Miao R., Khanna M. Maladaptation of US corn and soybeans to a changing climate // Scientific reports. 2021. Vol. 11. No. 1. P. 1–12. URL: https://www.nature.com/articles/s41598-021-91192-5 (дата обращения: 01.03.2023). doi: 10.1038/s41598-021-91192-5.

9. A framework for localizing global climate solutions and their carbon reduction potential / M. A. Brown, D. Matisoff, M. Rodgers, et al. // Proceedings of the National Academy of Sciences. 2021. Vol. 118. No. 31. Article e2100008118. URL: https://www.pnas.org/doi/full/10.1073/pnas.2100008118 (дата обращения: 01.03.2023). doi: 10.1073/pnas.2100008118.

10. Advances in CMIP6 INM-CM5 over CMIP5 INM-CM4 for precipitation simulation in South Korea / Y. H. Song, E. S. Chung, M. S. Nashwan, et al. // Atmospheric Research. 2021. Vol. 247. Article 105261. URL: https://www.sciencedirect.com/science/article/abs/pii/S0169809520311984 (дата обращения: 01.03.2023). doi: 10.1016/j.atmosres.2020.105261.

11. Романенко И. А., Евдокимова Н. Е. Сценарное прогнозирование производства зерновых культур в регионах России в зависимости от экстремальных климатических параметров // Экономика сельского хозяйства России. 2021. № 3. С. 81–87. doi: 10.32651/213-81.

12. Effects of climate and price on soybean production: Empirical analysis based on panel data of 116 prefecture-level Chinese cities / H. Wang, S. Guohui, S. Zizhong, et al. // Plos one. 2023. Vol. 18. No. 3. Article e0273887. URL: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0273887 (дата обращения: 01.03.2023). doi: 10.1371/journal.pone.0273887.