Streszczenie
W artykule, na podstawie kompleksowych bada empirycznych zalenoci plonów wybranych rolin uprawnych w regionie kujawsko-pomorskim od warunków pogo-dowych oraz przy wykorzystaniu adekwatnych metod analizy statystycznej dokonano analizy wpływu warunków klimatycznych na plonowanie rolin. Udowodniono, i zbyt wysoka temperatura, szczególnie w kocowym okresie wegetacji rzepaku, wpływa na zmniejszenie plonów tej roliny. Wyniki te mog by wykorzystane w kształtowaniu kierunków postpu genetycznego w łagodzeniu skutków wzrostu temperatur na plonowanie tej wanej gospodarczo roliny. Po drugie udowodniono take statystycz-nie, i mona zredukowa analiz zalenoci plon – pogoda, opart o wspomniane badania empiryczne w regionie kujawsko-pomorskim, z szeciu rolin uprawnych nalecych do czterech grup, co stanowi cenn metodycznie informacj wan dla kontynuacji bada zalenoci produktywnoci rolnictwa regionu od zmian klimatycznych i prognozowania ich skutków w przyszłoci.
Słowa kluczowe: plony rolin, klimat, region, wielowymiarowa analiza statystyczna, prognozowanie, metoda głównych czynników
1. WstĊp
Celem pracy było wykazanie na podstawie posiadanych danych statystycznych zalenoci wiel-koci plonów rzepaku od temperatury powietrza w okresie wegetacji. Przeprowadzono równie ana-liz statystyczn rónic wartoci redniej temperatury w dekadzie i w danym roku od wartoci red-niej w latach. Analiza statystyczna tych rónic wskazuje w duym stopniu ich zgodno z rozkładem normalnym.
Drugim celem pracy była statystyczna analiza zebranych danych empirycznych wielkoci plo-nów zbó ogółem, pszenicy, jczmienia, rzepaku, ziemniaków i buraków. Podstaw tej analizy było ocena macierzy korelacji i testowanie istotnoci współczynników korelacji. Macierz korelacji za-wiera cenne informacje uyteczne w badaniach wpływu warunków klimatycznych na plonowanie rolin uprawnych i prognozy w obszarze efektywnoci produkcji rolnej w ekstremalnych warunkach meteorologicznych.
W warunkach polskich do wanych upraw zalicza si zboa, rzepak, buraki i ziemniaki. Według danych GUS [9] powierzchnia zasiewów w 2012 roku wynosiła w Polsce 10431,6 tys. ha. W struk-turze zasiewów dominowały zboa uprawiane na powierzchni 7704,3 tys. ha (73,8%). Pozostałe
uprawy, bdce obiektem analizy, miały nastpujcy udział w strukturze zasiewów: rzepak i rzepik 6,9%, ziemniak 3,6% i burak cukrowy 2,0%.
Znaczenie ekonomiczne rzepaku wzrasta w ostatnich latach z uwagi na jego wykorzystanie nie tylko jako surowca do przetwórstwa spoywczego, ale take jako surowca do produkcji biopaliw. Niestabilno plonowania tej roliny w warunkach podwyszonego ryzyka przyrodniczego spo-wodowanego zmianami klimatycznymi powoduje wahania w jego zasiewach na przestrzeni lat. Po-wierzchnia uprawy rzepaku w Polsce w 2007 roku wynosiła około 800 tys. ha, w 2010 roku wzrosła do maksymalnej powierzchni 946,1 tys. ha, a w 2012 roku spadła do 720,3 tys. ha. W województwie kujawsko-pomorskim rzepak od 2007 roku uprawia si na powierzchni ponad 100 tys. ha. Podobnie jak w skali całego kraju, w 2010 roku uprawiano go najwicej, bo a na obszarze 126 tys. ha. Po niskim plonowaniu w 2011 roku (19,3 dt/ha), areał zasiewów rzepaku w 2012 roku spadł do około 50 tys. ha [9].
Niemniej, ze wzgldu na wzrost znaczenia biopaliw, rzepak stanowi wany czynnik determi-nujcy nie tylko sytuacj ekonomiczn przedsibiorstw rolnych, ale równie obszarów wiejskich w aspekcie rozwoju mikroregionów. Std uzasadnione s badania umoliwiajce łagodzenie nieko-rzystnych skutków zmian klimatycznych na plonowanie tej roliny.
Analiza statystyczna przeprowadzona metod głównych czynników (principal component ana-lysis) wskazuje na fakt, i zbór analizowanych upraw nie jest zbiorem nadmiarowym statystycznie. Kada z wymienionych rolin wnosi do rozwaanego zbioru plonów swoj „specyfik” staty-styczn, Praktycznie oznacza to, e w analizie statystycznej plonowania adna z czterech grup ba-danych rolin: zboa, rzepak, ziemniaki i buraki nie moe by pominita w ocenie plonowania. Plony wymienionych rolin wzgldnie „słabo” zale od siebie.
W pracy sformułowano dwie hipotezy badawcze. Pierwsz, i wzrost temperatury ma wpływ na plonowanie rzepaku i dlatego postp genetyczny moe złagodzi skutki obserwowanych zmian temperatury, co jest wane w specyficznych uwarunkowaniach województwa kujawsko-pomor-skiego.
Sformułowano take drug hipotez i jest statystycznie uzasadnione, aby zredukowa analiz zalenoci plon –– pogoda z szeciu rolin uprawnych (pszenicy, jczmienia, zbó ogółem, rzepaku, ziemniaków i buraków) do czterech obiektów badawczych: zbó, rzepaku, ziemniaków i buraków.
2. Charakterystyka województwa kujawsko-pomorskiego
Województwo kujawsko-pomorskie jest połoone w centralnej czci kraju, w dolinie Wisły, Brdy, Drwcy i Noteci, a w jego krajobrazie przewaaj wyyny morenowe. Szeroko pojt kultur roln w województwie, na któr składaj si tradycje, obyczaje oraz etos pracy, kształtowały uwa-runkowania historyczne. Charakterystyczny wysoki etos pracy i poziom kapitału społecznego wy-nika z historycznych wizi z zachodni tradycj i gospodark, w szczególnoci niemieck [4].
W dwudziestoletnim okresie transformacji nastpił, pod presj rynku oraz w wyniku wsparcia funduszami unijnymi, przyspieszony transfer wiedzy i technologii z nauki do praktyki agrobiznesu. W 2010 r. udział województwa kujawsko-pomorskiego w tworzeniu PKB kraju wyniósł 4,5% a PKB per capita 32009 zł, co stanowiło odpowiednio 84% redniego poziomu PKB na mieszkaca Polski. W odniesieniu do liczby ludnoci (procent mieszkaców Polski), kujawsko-pomorskie zaj-muje 10 miejsce w Polsce, podobnie jak w udziale regionów w ogólnej powierzchni gruntów.
Z racji posiadania znaczcych zasobów oraz wysokiego poziomu produkcji rolnej Kujawsko-Pomorskie jest bardzo wanym regionem z punktu widzenia produkcji rolnej w Polsce w stosunku do innych regionów (BDL GUS). Syntetyczne wska niki oceny rolniczej przydatnoci analizowa-nego regionu s bardzo wysokie w porównaniu do innych regionów kraju.
Wska nik Jakoci Rolniczej Przestrzeni Produkcyjnej kujawsko-pomorskiego osiga poziom 71,00, co stawia region na 4 miejscu w Polsce. Wysok rang rolnictwa w regionie kształtuje take wysoki udział zatrudnienia w sektorze rolnym i jego udział w strukturze całkowitego PKB. I tak w 2012 r. było to 16,56 procent, co dawało trzeci pozycj w odniesieniu do osób zatrudnionych w rolnictwie i ich udziału w regionalnym wska niku PKB (tabela 1).
Wielkie znaczenie regionu w produkcji ywnoci w Polsce okrela wysoka pozycja wojewódz-twa w wolumenie całkowitej produkcji rolnej, gdzie kujawsko-pomorskie zajmuje drug pozycj w odniesieniu do buraka cukrowego, trzeci w odniesieniu do kukurydzy na ziarno, czwart w od-niesieniu do kukurydzy paszowej, siódm w odod-niesieniu do pszenicy i rzepaku, a dziewit w sto-sunku do ziemniaków.
Deficyt wody na obszarze województwa (opady roczne poniej 500 mm a czsto spadaj do około 400 mm) nadal ronie i stanowi główny czynnik minimum produkcji rolnej. Słaba retencja wody determinowana zaniedban infrastruktur odpowiedzialn za tzw. mał retencj jest czynni-kiem hamujcym rozwój regionalny rolnictwa. Mała retencja wymaga modernizacji infrastruktury i stosownych do tego celu zmian w polityce regionalnej.
Rozdrobniona struktura agrarna województwa kujawsko-pomorskiego na tle innych krajów i mikroregionów Unii Europejskiej oraz Polski jest bez wtpienia czynnikiem ograniczajcym efek-tywno produkcji rolnej, a pita pozycja analizowanego regionu pod tym wzgldem w Polsce sta-nowi take o wzgldnej sile rolnictwa regionu. Potwierdza to take wysoka warto towarowej pro-dukcji rolnej województwa, która w 2011 r. była na poziomie 3906 zł·ha-1, co plasowało region na 6 miejscu w kraju.
Nasilenie si ekstremalnych zjawisk atmosferycznych, takich jak posuchy, nawałnice i przy-mrozki powoduje wzrost ryzyka produkcji rolnej, które moe by midzy innymi łagodzone poprzez wzrost poziomu ubezpiecze upraw rolnych, wzrost nakładów na inwestycje melioracyjne, konso-lidacj gruntów rolnych, jak równie róne programy umoliwiajce dywersyfikacj produkcji przy jednoczesnej specjalizacji producentów, gdzie jedn z metod osignicia takiego celu moe by specjalizacja pracy, a nie produkcji [3].
Badania zalenoci plony rolin uprawnych – opady, czy plony rolin uprawnych – temperatura, mog pozwoli równie na trafne prognozowanie czstotliwoci wystpie zjawisk ekstremalnych w regionie i przeciwdziała ich negatywnym skutkom take w oparciu o celowy postp genetyczny oraz technologiczny w rolnictwie.
Pozwoli to na skuteczne dostosowanie rolnictwa w perspektywie długoterminowej do zmian klimatu w regionie.
Tabela 1. Charakterystyka województwa kujawsko-pomorskiego L.p. Cecha Opis Dane Pozycja woj. w Polsce 1. Powierzchnia (udział
procen-towy w powierzchni kraju)
5,7 10
2. Lokalizacja Centralna cz kraju (w dolinie Wisły, Brdy, Drwcy i Noteci)
3. Ludno (udział procentowy w kraju)
4,0 10
4. Krajobraz Wyyny morenowe
5. Opady (mm) < 500 czsto rocznie około 400 mm i nadal ronie de-ficyt
6. rednia temperatura (0C) 7,00C (> 8,00C w płd. czci regionu)
7. Długo sezonu wegetacyjnego (dni)
210–220
8. Udział w krajowym PKB (%) 5,5
9. Główne sektory gospodarki, pro-dukty –products
Surowce przemysłu spoywczego: mka, kasza, ma-karon, cukier, olej, owoce i warzywa, napoje alkoho-lowe, tyto; budownictwo, chemikalia, przemysł ma-szynowy, celulozowy, papierniczy, meblarski, elektro-maszynowy i usługi telekomunikacyjne
10. Całkowita liczba zatrudnionych w 2012 (tys.)- udziały sektorów:
791
10a Rolnictwo 16,56
10b Przemysł 30,34
10c Usługi 53,1
11. Wska nik bezrobocia 11,10
12. Udział uytków rolnych w po-wierzchni całkowitej (%)
64,60 13. Jako gleb (procent gleb
wyso-kiej jakoci)
76,60 14. Wska nik jakoci rolniczej
prze-strzeni produkcyjnej (punkty)
71,00 4
15. Potencjał produkcyjny indywi-dualnych gospodarstw rolnych (punkty)
139,00 3
16. Pozycja w wartoci towarowej produkcji rolnej (zł/1 ha
2011–3906 6
17. Produkcja ywca wieprzowego (trzody chlewnej) –(t/1 rok)
236104 3
18. Cena ziemi (pozycja w kraju) 2
19. redni obszar gospodarstw rol-nych (ha)
14,2 5
3. Materiał i metody
Najwaniejszym czynnikiem rodowiskowym wpływajcym bezporednio na wysoko i ja-ko plonów rolin uprawnych w danych warunkach glebowych jest przebieg pogody, cechujcej si bardzo du zmiennoci czasow. W warunkach klimatu umiarkowanego przejciowego, cha-rakterystycznego dla centralnej czci Polski, zmienno ta powoduje bardzo due wahania wska -ników wydajnoci produkcji rolniczej w poszczególnych sezonach wegetacyjnych [15]. Dotyczy to równie rzepaku, którego poziom plonowania w województwie kujawsko-pomorskim w latach 1999–2011 wahał si od zaledwie19,0 dt ha-1 w 2011 roku do a 32,6 dt ha-1 w 2004 roku (rys. 1).
Rysunek 1. Plony nasion rzepaku w województwie kujawsko-pomorskim w latach 1999–2011 ródło: opracowanie własne na podstawie danych GUS.
W przypadku rzepaku, w uprawie którego zdecydowanie przewaa forma ozima, bardzo wa-nym czynnikiem wpływajcym na poziom plonowania jest przede wszystkim nasilenie wystpowa-nia niekorzystnych warunków pogodowych w okresie zimowym, a zwłaszcza niskich temperatur, przy braku lub niedostatecznej gruboci pokrywy nienej. Due znaczenie ma take kształtowanie si warunków termicznych i opadowych w okresie wegetacji wiosennej i wczesnoletniej, obejmu-jcej okres wzmoonego zapotrzebowania rzepaku na wod (miesice maj i czerwiec).
Z bada przeprowadzonych w latach 2007–2011 przez [8] w rejonie Bydgoszczy wynika, i w podczas wiosennej wegetacji rzepaku ozimego wystpiły potrzeby nawadniania tej uprawy, naj-czciej przypadajc w maju i czerwcu. rednio w latach bada rzepak plonował na poziomie 41,9
dt ha-1, z wahaniami od 29,9 w 2011 r. do 54,5 dt ha-1 w 2009 r. Zastosowane deszczowania spowo-dowało zwikszenie plonu nasion rednio o 13,6 dt ha-1 (o 29,3%). Najwikszy przyrost plonu pod wpływem deszczowania (20,0 dt ha-1) uzyskano w 2011 r., przy zastosowaniu 130 mm dawki wody. W pracy zastosowano algorytm obliczeniowy, zwany modelem pogoda – plon typu staty-styczno-empirycznego, pozwalajcy za pomoc narzdzi statystycznych okreli wpływ tempera-tury powietrza na wysoko plonowania rzepaku. Daje to podstaw do identyfikacji skutków poten-cjalnych zmian klimatycznych, zwłaszcza prognozowanego wzrostu temperatury powietrza, w re-gionalnej produkcji rolniczej, a take dokonania oceny moliwoci reagowania na te zmiany [7]. W analizie wykorzystano wyniki standardowych pomiarów temperatury powietrza wykonywa-nych w Stacji Badawczej Uniwersytetu Technologiczno-Przyrodniczego w Bydgoszczy, zlokalizo-wanej w miejscowoci Mochle, połoonej około 20 km od centrum miasta (˻=53013’ N, =17051’E, h=98,5 m n.p.m.), na obszarze słabo zurbanizowanym i uprzemysłowionym. Jest to zatem punkt pomiarowy wolny od wpływu miejskich czynników antropogenicznych reprezenta-tywny dla regionu kujawsko-pomorskiego, działajcy nieprzerwanie od 1949r. [5]. W pracy wyko-rzystano take dane dotyczce areału uprawy oraz wysokoci plonów wybranych upraw rolniczych w warunkach produkcyjnych w województwie kujawsko-pomorskim, korzystajc z baz umieszczo-nych na stronach internetowych Głównego Urzdu Statystycznego (www.stat.gov.pl). Pod uwag wzito wysoko plonów w latach 1999–2011 grup uytkowych rolin i upraw dominujcych w regionalnej strukturze zasiewów: zboa ogółem, pszenica z dominacj formy ozimej, jczmie z dominacj formy jarej, rzepak ozimy, burak cukrowy i ziemniak.
W artykule wykorzystano wyniki pomiarów temperatury powietrza w okresie od 1 kwietnia do 30 wrzenia z lat od 1999 do 2012 roku. Analizie statystycznej poddano dla kadego roku (n = 18) wartoci rednich temperatur w kolejnych okresach 10 – cio dniowych, zwanych dalej dekadami. Wartoci rednie temperatur silnie zaleały od pory roku (numeru dekady). Rodzaj zalenoci war-toci redniej temperatury od numeru dekady (zob. rys. 2) jest faktem oczywistym.
Znacznie bardziej interesujca jest zmienno współczynnika zmiennoci (stosunek odchylenia standardowego do wartoci redniej) w kolejnych dekadach. Przebieg współczynnika zmiennoci w kolejnych dekadach oraz lini trendu wyznaczon przy pomocy wielomianu czwartego stopnia przedstawiono na rysunku 3.
5 7 9 11 13 15 17 19 21 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 n um e r d e ka dy Ğ re d n ia t e m p e ra tu ra
Rysunek 2. Wartoci rednie temperatury w latach 1999–2012 dla kolejnych dekad ródło: badania własne.
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 num e r de ka dy w s p ó łc z y n n k z m ie n n o Ğ c i
Rysunek 3. Wartoci współczynnika zmiennoci w kolejnych dekadach wraz z lini trendu ródło: badania własne.
Najwiksz zmienno temperatury obserwowano w pierwszych piciu dekadach analizowa-nego okresu, co było zwizane z przymrozkami w kwietniu i w pocztkach maja. Jest to powszech-nie znanym fakt, e to zjawisko ma wpływ na plony wielu upraw.
4. ZaleĪnoĞü plonów rzepaku od temperatury
Przez si, gdzie i = 1, …,10, w pracy oznacza si warto redni temperatury w pierwszych dziesiciu dekadach badanego okresu (do pierwszej dekady lipca włcznie). W tabeli 2 zawarto wartoci współczynników korelacji Pearsona midzy wartociami rednimi si a wartociami plonów rzepaku. W drugim jej wierszu podano wartoci poziomu istotnoci (p-value) dla hipotezy braku istotnoci współczynnika korelacji. Symbol NS oznacza, e odpowiedni współczynnik korelacji jest nieistotny. Wiersz drugi i trzeci tabeli 2 zawiera wartoci współczynników prostej regresji y = a t + b.
Tabela 2. Wartoci współczynników korelacji dla plonów rzepaku od redniej temperatury
Numer dekady 1 2 3 4 5 6 7 8 9 10 Współczynnik korelacji 0,03 0,05 -0,26 -0,27 -0,38 -0,49 -0,56 -0,60 -0,61 -0,66 p-value NS NS NS NS NS NS 0,039 0,023 0,02 0,01 Współczynnik kierunkowy a -2,22 -2,43 -2,64 -3,65 Współczynnik b 50,1 54,7 61,2 73,5
ródło: badania własne
Analiza tabeli 2 wskazuje, e wielko plonów rzepaku zaleała istotnie statystycznie od war-toci redniej temperatury wyraanej przez sumy s7, s8, s9 i s10. Odpowiednie współczynniki korela-cji s ujemne, co pozwala wnioskowa, e zbyt wysoka temperatura, szczególnie w kocowym okre-sie wegetacji wpływała na spadek plonów rzepaku. Na rysunku 4 pokazano przebieg czterech pro-stych regresji dla zalenoci plonów rzepaku od sum wartoci sum s7, s8, s9 i s10. Najniej na ww. wykresie jest uwidoczniona prosta dla s 7, nastpne proste dla sum s8, s9 i s10 s umieszczone kolejno wyej. Dla kadej z sum s7, s8, s9 i s10 wyznaczono współczynniki a i b prostej y = a t + b, gdzie t oznacza redni temperatur, a y oznacza hipotetyczn warto plonu rzepaku. Testowanie istotnoci wartoci współczynnika a jest w przypadku regresji liniowej równowane testowaniu istotnoci współczynnika korelacji Pearsona.
17 20 23 26 29 32 11,0 11,5 12,0 12,5 13,0 13,5 14,0 Ğre dnia te m pe ra tura P lo n r z e p a k u
Rysunek 4. Zaleno plonów rzepaku od temperatury ródło: badania własne.
Analiza zalenoci pokazanej na rys. 3 pozwala przypuszcza, e długotrwałe susze, zwłaszcza w kocowym okresie wegetacji mog powodowa spadek plonów rzepaku.
5. Rozkład temperatury
Dla potrzeb analizy tego czynnika meteorologicznego wprowadzono oznaczenia zawierajce: tij warto redni w i – tej dekadzie j – tego roku, wi oznacza warto redni w i – tej dekadzie liczon w latach. W tym punkcie pracy badano wartoci rónic ri = tij – wi. gdzie i = 1, 2, …252. Wstpna analiza zmiennej R, której realizacjami s wartoci ri wskazuje, e dobrym modelem roz-kładu prawdopodobiestwa zmiennej losowej R moe by rozkład normalny. Estymatorami (metod najwikszej wiarygodnoci i metod momentów) parametrów rozkładu normalnego s warto red-nia z próby i odchylenie standardowe z próby [Bobrowski i Łybacka 1995, Magiera R. 2005].
Testowanie zgodnoci rozkładu empirycznego z rozkładem normalnym z parametrami: warto-ci redni m = 0 oraz odchyleniem standardowym = 1,99 przeprowadzono za pomoc testu – Kołmogorowa i 2 – Pearsona. Dla testu – Kołmogorowa obliczono = 0,34 co daje p-value = 0,91, natomiast dla testu 2 – Pearsona obliczono 2 = 6,44, co odpowiada tej wartoci p – value = 0,69.
Dla obu testów zgodnoci uzyskano potwierdzenie wysokiej zgodnoci rozkładu empirycznego zmiennej losowej R z rozkładem normalnym. Na rys. 5 pokazano wykresy empirycznej gstoci prawdopodobiestwa i gstoci rozkładu normalnego.
0 0,05 0,1 0,15 0,2 0,25 -6 -4 -2 0 2 4 6 8 fe ft
Rysunek 5 Gstoci empiryczna (fe) i teoretyczna (ft) rozkładu zmiennej losowej R ródło: badania własne.
Zgodno rozkładu zmiennej losowej R z rozkładem normalnym pokazuje, e po odjciu trendu sezonowego wartoci temperatury podlegaj rozkładowi normalnemu. Jest to potwierdzenie faktu, e wartoci temperatury (szczególnie rozrzut temperatury wzgldem wartoci redniej) kształtuje bardzo dua liczba czynników losowych.
6. Analiza statystyczna zbioru plonów
Analizie te poddano zalenoci midzy plonami buraków, ziemniaków, rzepaku, jczmienia, pszenicy i zbó ogółem. Oczywistym jest fakt, e plony trzech ostatnio wymienionych rolin były silnie skorelowane, jednak wartoci współczynników korelacji midzy plonami buraków, rzepaku, ziemniaków i zbó mog zawiera istotne informacje. Wartoci współczynników korelacji zawiera macierz korelacji podana w tabeli 3. Analiza obliczonych współczynników korelacji pokazuje, e midzy plonami jczmienia, pszenicy i zbó ogółem współczynniki korelacji s istotne statystycz-nie, nieco nisze istotne współczynniki korelacji zaobserwowano dla par plonów buraki – ziemniaki i buraki – jczmie. Macierz korelacji z tabeli 3 stanowi podstaw do zastosowania metody głów-nych czynników. Wykorzystanie metody główgłów-nych czynników pozwala wnioskowa o wymiaro-woci przestrzeni plonów: { plony buraków, plony ziemniaków, plony rzepaku, plony jczmienia, plony pszenicy i plony zbó ogółem} [10].
Obliczone wartoci własne dla macierzy korelacji z tabeli 3 umieszczono w tabeli 4. Pierwsza kolumna tabeli 4 zawiera obliczone wartoci własne, a druga unormowane wartoci. Udział procen-towy pitej i szóstej wartoci własnej jest mniejszy od 5%. Na tej podstawie mona wnioskowa, e
badana szeciu – wymiarowa przestrze plonów moe zosta po odpowiednim przekształceniu li-niowym zredukowana do przestrzeni 4 – wymiarowej.
Tabela 3. Macierz korelacji dla wektora losowego {plony buraków, plony ziemniaków, plony rzepaku, plony jczmienia, plony pszenicy, plony zbó ogółem}
buraki ziemniaki rzepak jczmie pszenica zboa ogółem
buraki 1,00 ziemniaki 0,65 1,00 rzepak 0,23 0,12 1,00 jczmie 0,08 0,31 0,36 1,00 pszenica 0,63 0,54 0,51 0,66 1,00 zboa ogółem 0,47 0,52 0,45 0,85 0,95 1,00
ródło: badania własne.
Jest to spowodowane faktem, e wielkoci plonów pszenicy, jczmienia i zbó ogółem s silnie zalene i mog by zastpione przez jedn zmienn. Zastosowanie odpowiedniego testu statystycz-nego w analizowanej sytuacji jest niemoliwe, poniewa liczba lat badania plonów wynosiła n = 12 i jest zbyt mała.
Na rys. 6 pokazano wartoci własne unormowane – najwiksz warto własn przyjmuje si jako 1. Zawarty na nim wykres w statystyce wielowymiarowej nazywany jest „osypiskiem”. Uprzednio na rys. 5 uwidoczniono, e dwie najmniejsze wartoci własne wnosz wzgldnie mały „wkład” do rozwaanego zbioru plonów (w sumie mniej ni 5% maksymalnej wielkoci).
Tabela 4. Wartoci własne obliczone dla macierzy korelacji z tabeli 3
Lp i ui 1 3,557 1,000 2 1,194 0,336 3 0,746 0,210 4 0,361 0,101 5 0,119 0,033 6 0,006 0,002
0,0 0,2 0,4 0,6 0,8 1,0 1 2 3 4 5 6 n u me r w a rto Ğ ci w ła sn e j w a rt o Ğ ü i w ła s n e
Rysunek 6. Wykres unormowanych wartoci własnych ródło: badania własne.
7. Wnioski
W pracy zweryfikowano pozytywnie załoone hipotezy badawcze. Przeprowadzone badania wskazuj, e oszacowane istotne zalenoci statystyczne plony rzepaku – temperatura mog by w specyficznych uwarunkowaniach województwa kujawsko-pomorskiego wykorzystane w kształ-towaniu kierunków postpu genetycznego, w łagodzeniu skutków wzrostu temperatur na plonowa-nie tej wanej gospodarczo roliny.
Udowodniono statystycznie, i mona zredukowa analiz zalenoci plon – pogoda opart o omówione wczeniej badania empiryczne w regionie kujawsko-pomorskim z szeciu rolin upra-nych (pszenicy, jczmienia, zbó ogółem, rzepaku, ziemniaków i buraków) do czterech: zbó, rze-paku, ziemniaków i buraków. Stanowi to wartociow metodycznie informacj wan dla kontynu-acji bada zalenoci produktywnoci rolnictwa regionu od zmian klimatycznych i prognozowania ich skutków w przyszłoci.
8. Literatura
[1]
BDL GUS (LOCAL DATA BASE) Central Statistical Office In: http://www.stat.gov.pl/bdl [2] Bobrowski D., Łybacka K, 1995: Wybrane Metody Wnioskowania Statystycznego.Wydaw-nictwo Politechniki Poznaskiej, Pozna.
[3] Bojar W., Drelichowski L., 1994. Management and work organization requirements for a re-structuring of agricultural state enterprises in Poland (Determinanty zarzdzania i organizacji pracy w zrestrukturyzowanych pastwowych przedsibiorstwach rolnych w Polsce). XII CIGR World Congress and AgEng '94 Conference on Agricultural Engineering, Milano, It-aly, 1341–1348.
[4] Bojar W., Kubicka A., Pawłowska-Tyszko J., 2001. Perspektywy i ograniczenia rozwoju rol-nictwa i obszarów wiejskich województwa kujawsko-pomorskiego na tle Polski. Post. Nauk Roln. 2(01), 101–118
[5] BOJAR W., J. ARSKI, R. VERBURG AND F. BROUWER (2012): Circumstances of climatic changes impacts on agricultural production taking attention regional characteristics. Studies & Proceedings of Polish Association for Knowledge Management, No.61, p. 29–45. [6] FAOSTAT database crop production In: http://faostat.fao.org/site/567/default.aspx#ancor [7] Dragaska E.W., 2012: Forecast of the growth and yield of maize cultivated for grain in
Poland in the context of a selected climate change scenario. Dissertations and Monographs No. 160, UWM Olsztyn, pp. 180 (in polish)
[8] Dudek S., Kumierek-Tomaszewska R., arski J., Szterk P., 2013: Ocena potrzeb i efektów deszczowania rzepaku ozimego w rejonie Bydgoszczy. Infrastruktura i Ekologia Terenów Wiejskich, nr 1/II, s. 51–62.
[9] GUS, 2012: Uytkowanie gruntów, powierzchnia zasiewów i pogłowie zwierzt gospodar-skich w 2012 r. Wydawnictwo GUS Warszawa.
[10] Gatnar E., Walesiak M. 2004: Metody Statystycznej Analizy Wielowymiarowej w Badaniach Marketingowych. Wydawnictwo Akademii Ekonomicznej im. Oscara Langego, Wrocław. [11] Morrison D. F. 1990: Wielowymiarowa Analiza Statystyczna. PWN, Warszawa.
[12] Magiera R. 2005: Modele Statystyki Matematycznej, Cz I Rozkłady i Symulacja Stocha-styczna, Oficyna Wydawnicza GiS, Wrocław.
[13] Rencher A.C., 2002: Methods of multivariate Analysis, John Wiley, New York.
[14] Rozbicki T., 2013: The use of mathematical models for estimation of winter wheat and spring barley yield in terms of expected climate changes. Treatises and Monographs No. 430, SGGW Warszawa, pp. 123 (in polish).
[15] arski J., Dudek S., Kumierek-Tomaszewska R., Januszewska-Klapa K., 2013: Ocena po-trzeb i przewidywanych efektów deszczowania zbó jarych w regionie kujawsko-pomor-skim. Infrastruktura i Ekologia Terenów Wiejskich, nr 1/II, s. 97–107.
ANALYSIS OF THE IMPACT OF CLIMATIC CONDITIONS ON THE YIELD OF CROPS IN KUJAWY & POMORZE REGION
Summary
In the article on the basis of comprehensive empirical studies on dependencies of yields of selected crops in Kujawy & Pomorze region and weather conditions and us-ing adequate methods of statistical analysis was analyzed impact of climate conditions on yields of crops. It has been proved that too high a temperature, particularly in the final stages of the growing rape, reduces the yield of the plant. These results can be used in shaping the genetic progress in mitigating the effects of rising temperatures on the yield of this economically important plant as it is rape. Secondly, as has been proven statistically that analysis of dependencies type of crop – weather can be duced, based on the previously discussed empirical studies in Pomorze & Kujawy re-gion, from six plants into four groups, which provides valuable information methodi-cally important for the continuation of research on dependencies between agricultural productivity of the region and climate changes and predicting their effects in the fu-ture.
Keywords: crop yields, climate, region, multivariate statistical analysis, forecasting method, principal component analysis
Badania zostały wykonane w ramach projektu FACCE JPI – MACSUR pt: „A detailed climate change risk assessment for European agriculture and food security, in collaboration with interna-tional projects” – Umowa nr FACCE JPI/04/2012 (P100 PARTNER (UTP)) finansowane przez NCBiR
Waldemar Bojar Leszek Knopik Jacek arski
Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy e-mail: wald@utp.edu.pl
