| Ширина | 73.2 мм 7.32 см 0.24 ft 2.882 in | 73.5 мм 7.35 см 0.241 ft 2.894 in | 73.4 мм 7.34 см 0.241 ft 2.89 in | 74.4 мм 7.44 см 0.244 ft 2.929 in |
| Высота | 150.5 мм 15.05 см 0.494 ft 5.925 in | 151 мм 15.1 см 0.495 ft 5.945 in | 151.9 мм 15.19 см 0.498 ft 5.98 in | 152 мм 15.2 см 0.499 ft 5.984 in |
| Толщина | 7.3 мм 0.73 см 0.024 ft 0.287 in | 7.5 мм 0.75 см 0.025 ft 0.295 in | 7.6 мм 0.76 см 0.025 ft 0.299 in | 8.3 мм 0.83 см 0.027 ft 0.327 in |
| Вес | 152 г 0.34 lbs 5.36 oz | 154 г 0.34 lbs 5.43 oz | 165 г 0.36 lbs 5.82 oz | 165 г 0.36 lbs 5.82 oz |
| Объем | 80.42 см³ 4.88 in³ | 83.24 см³ 5.06 in³ | 84.74 см³ 5.15 in³ | 93.86 см³ 5.7 in³ |
| Цвета | Чёрный Белый Голубой | Золотистый Чёрный Белый Голубой | Чёрный Белый Голубой | Чёрный Голубой Белый Оранжевый |
| Материалы для изготовления корпуса | Металл Стекло | Металл | Металл Стекло | Металл Пластмасса |
| Размер SIM-карты | Nano-SIM | Nano-SIM | Nano-SIM | Nano-SIM |
| Количество SIM-карт | 2 | 2 | 2 | 2 |
| Характеристики | Dual SIM stand-by (Обе карты активны. Когда одна занята разговором, другая деактивируется.) | Dual SIM stand-by (Обе карты активны. Когда одна занята разговором, другая деактивируется.) | Dual SIM stand-by (Обе карты активны. Когда одна занята разговором, другая деактивируется.) | Dual SIM stand-by (Обе карты активны. Когда одна занята разговором, другая деактивируется.) |
| GSM | GSM 850 MHz GSM 900 MHz GSM 1800 MHz GSM 1900 MHz | GSM 850 MHz GSM 900 MHz GSM 1800 MHz GSM 1900 MHz | GSM 850 MHz GSM 900 MHz GSM 1800 MHz GSM 1900 MHz | GSM 850 MHz GSM 900 MHz GSM 1800 MHz GSM 1900 MHz |
| CDMA | CDMA 800 MHz | CDMA 800 MHz | CDMA 800 MHz | CDMA 800 MHz |
| TD-SCDMA | TD-SCDMA 1880-1920 MHz TD-SCDMA 2010-2025 MHz | TD-SCDMA 1880-1920 MHz TD-SCDMA 2010-2025 MHz | TD-SCDMA 1880-1920 MHz TD-SCDMA 2010-2025 MHz | TD-SCDMA 1880-1920 MHz TD-SCDMA 2010-2025 MHz |
| UMTS | UMTS 850 MHz UMTS 900 MHz UMTS 1900 MHz UMTS 2100 MHz | UMTS 850 MHz UMTS 900 MHz UMTS 1900 MHz UMTS 2100 MHz | UMTS 850 MHz UMTS 900 MHz UMTS 1700/2100 MHz UMTS 1900 MHz UMTS 2100 MHz | UMTS 850 MHz UMTS 900 MHz UMTS 2100 MHz |
| LTE | LTE 850 MHz LTE 900 MHz LTE 1700/2100 MHz LTE 1800 MHz LTE 2100 MHz LTE 2600 MHz LTE-TDD 1900 MHz (B39) LTE-TDD 2300 MHz (B40) LTE-TDD 2500 MHz (B41) LTE-TDD 2600 MHz (B38) | LTE 850 MHz LTE 900 MHz LTE 1700/2100 MHz LTE 1800 MHz LTE 2100 MHz LTE-TDD 1900 MHz (B39) LTE-TDD 2300 MHz (B40) LTE-TDD 2500 MHz (B41) LTE-TDD 2600 MHz (B38) LTE-TDD 2000 MHz (B34) | LTE 800 MHz LTE 850 MHz LTE 900 MHz LTE 1700/2100 MHz LTE 1800 MHz LTE 1900 MHz LTE 2100 MHz LTE 2600 MHz LTE-TDD 1900 MHz (B39) LTE-TDD 2300 MHz (B40) LTE-TDD 2500 MHz (B41) LTE-TDD 2600 MHz (B38) | LTE-TDD 1900 MHz (B39) LTE-TDD 2000 MHz (B34) LTE-TDD 2300 MHz (B40) LTE-TDD 2500 MHz (B41) LTE-TDD 2600 MHz (B38) LTE 850 MHz LTE 900 MHz LTE 1800 MHz LTE 2100 MHz |
| Технологии мобильной связи | UMTS EDGE GPRS HSPA+ LTE Cat 12 EV-DO Rev. A TD-SCDMA TD-HSDPA | UMTS EDGE GPRS HSPA+ LTE Cat 12 EV-DO Rev. A TD-SCDMA TD-HSDPA | UMTS EDGE GPRS HSPA+ LTE EV-DO Rev. A TD-SCDMA TD-HSDPA | UMTS EDGE GPRS HSPA+ LTE EV-DO Rev. A TD-SCDMA TD-HSDPA |
| Oперационная система (OS) | FlyMe (Android 8.0 Oreo) FlyMe 7.1.1 (Android 8.1 Oreo) | FlyMe 7.1 (Android 8.1 Oreo) | FlyMe 7.3 (Android 9.0 Pie) | FlyMe 7.x (Android 9.0 Pie) |
| SoC (Система на кристалле) | Qualcomm Snapdragon 845 | Qualcomm Snapdragon 710 | Qualcomm Snapdragon 855 | Qualcomm Snapdragon 675 |
| Технологический процесс | 10 нм | 10 нм | 7 нм | 11 нм |
| Процессор (CPU) | 4x 2.8 GHz Kryo 385, 4x 1.8 GHz Kryo 385 | 2x 2.2 GHz Kryo 360, 6x 1.7 GHz Kryo 360 | 1x 2.84 GHz Kryo 485, 3x 2.42 GHz Kryo 485, 4x 1.8 GHz Kryo 485 | 2x 2.0 GHz Kryo 460, 6x 1.7 GHz Kryo 460 |
| Разрядность процессора | 64 бит | 64 бит | 64 бит | 64 бит |
| Архитектура набора команд | ARMv8-A | ARMv8 | ARMv8-A | ARMv8 |
| Кэш-память первого уровня (L1) | 32 кБ + 32 кБ | — | — | — |
| Кэш-память второго уровня (L2) | 1536 кБ 1.5 МБ | — | — | — |
| Кэш-память третьего уровня (L3) | 2048 кБ 2 МБ | — | — | — |
| Kоличество ядер процессора | 8 | 8 | 8 | 8 |
| Тактовая частота процессора | 2800 МГц | 2200 МГц | 2840 МГц | 2000 МГц |
| Графический процессор (GPU) | Qualcomm Adreno 630 | Qualcomm Adreno 616 | Qualcomm Adreno 640 | Qualcomm Adreno 612 |
| Тактовая частота графического процессора | 710 МГц | 500 МГц | — | — |
| Объём оперативной памяти (RAM) | 6 ГБ 8 ГБ | 6 ГБ | 6 ГБ 8 ГБ | 6 ГБ |
| Тип оперативной памяти (RAM) | LPDDR4X | LPDDR4X | LPDDR4X | LPDDR4X |
| Количество каналов оперативной памяти | Двухканальная | Двухканальная | Двухканальная | Двухканальная |
| Частота оперативной памяти | 1866 МГц | 1866 МГц | 2133 МГц | 1866 МГц |
| Тип/технология | Super AMOLED | Super AMOLED | Super AMOLED | Super AMOLED |
| Диагональ | 6 in 152.4 мм 15.24 см | 6 in 152.4 мм 15.24 см | 6.22 in 157.99 мм 15.8 см | 6.2 in 157.48 мм 15.75 см |
| Ширина | 2.68 in 68.16 мм 6.82 см | 2.68 in 68.16 мм 6.82 см | 2.71 in 68.81 мм 6.88 см | 2.7 in 68.59 мм 6.86 см |
| Высота | 5.37 in 136.31 мм 13.63 см | 5.37 in 136.31 мм 13.63 см | 5.6 in 142.21 мм 14.22 см | 5.58 in 141.76 мм 14.18 см |
| Соотношение сторон | 2:1 2:1 (18:9) | 2:1 2:1 (18:9) | 2.067:1 | 2.067:1 |
| Разрешение | 1080 x 2160 пикселей | 1080 x 2160 пикселей | 1080 x 2232 пикселей | 1080 x 2232 пикселей |
| Плотность пикселей | 402 ppi 158 ppcm | 402 ppi 158 ppcm | 399 ppi 156 ppcm | 400 ppi 157 ppcm |
| Глубина цвета | 24 бит 16777216 цветы | 24 бит 16777216 цветы | 24 бит 16777216 цветы | 24 бит 16777216 цветы |
| Площадь, занимаемая экраном | 84.6 % | 83.98 % | 88.06 % | 86.26 % |
| Другие характеристики | Ёмкостный Мультитач Устойчивость к царапинам | Ёмкостный Мультитач Устойчивость к царапинам | Ёмкостный Мультитач Устойчивость к царапинам | Ёмкостный Мультитач Устойчивость к царапинам |
| Display manufacturer — Samsung 2.5D curved glass screen 10000:1 contrast ratio 430 cd/m² Always-On Display | Display manufacturer — Samsung 2.5D curved glass screen 10000:1 contrast ratio 430 cd/m² | 2.5D curved glass screen 10000:1 contrast ratio Peak brightness — 800 cd/m² Always-On Display | Display manufacturer — Samsung 2.5D curved glass screen 10000:1 contrast ratio 430 cd/m² Always-On Display | |
| Датчики | Датчик приближения Датчик света Акселерометр Компас Гироскоп Сканер отпечатков пальцев Датчик Холла | Датчик приближения Датчик света Акселерометр Компас Гироскоп Сканер отпечатков пальцев | Датчик приближения Датчик света Акселерометр Компас Гироскоп Сканер отпечатков пальцев Датчик Холла | Датчик приближения Датчик света Акселерометр Компас Гироскоп Сканер отпечатков пальцев Датчик Холла |
| Fingerprint sensor model — Synaptics (In-display fingerprint sensor) | In-display fingerprint sensor | Fingerprint sensor model — Goodix (In-display optical fingerprint sensor) | In-display fingerprint sensor | |
| Модель датчика | Sony IMX380 Exmor RS | Sony IMX380 Exmor RS | Sony IMX586 Exmor RS | Samsung S5KGM1 |
| Тип датчика | CMOS | CMOS | CMOS BSI | — |
| Формат датчика | 1/2.3″ | 1/2.3″ | 1/2″ | 1/2″ |
| Размер пикселя | 1.55 мкм 0.001550 мм | 1.55 мкм 0.001550 мм | 0.8 мкм 0.000800 мм | 0.8 мкм 0.000800 мм |
| ISO (светочувствительность) | 50 — 1600 | 50 — 1600 | — | — |
| Светлосила | f/1.8 | f/1.8 | f/1.7 | f/1.7 |
| Выдержка (скорость затвора) | 20 — 1/8000 | 20 — 1/8000 | — | — |
| Фокусное расстояние | 4.58 мм 25 мм *(35 mm / full frame) | 4.58 мм 25 мм *(35 mm / full frame) | — | — |
| Количество оптических элементов (линз) | 6 | 6 | 6 | 6 |
| Тип вспышки | LED | LED | LED | LED |
| Разрешение изображения | 4032 x 3024 пикселей 12.19 Мп | 4032 x 3024 пикселей 12.19 Мп | 8000 x 6000 пикселей 48 Мп | 8000 x 6000 пикселей 48 Мп |
| Разрешение видео | 3840 x 2160 пикселей 8.29 Мп | 3840 x 2160 пикселей 8.29 Мп | 3840 x 2160 пикселей 8.29 Мп | 3840 x 2160 пикселей 8.29 Мп |
| Скорость видео записи (кадровая частота) | 30 кадров/сек | 30 кадров/сек | 30 кадров/сек | 30 кадров/сек |
| Характеристики | Автофокус Серийная съёмка Цифровой зум Оптическая стабилизация изображения Географические метки Панорамная съёмка HDR съёмка Сенсорная фокусировка Распознавание лиц Настройка баланса белого Настройка ISO Компенсация экспозиции Автоспуск Режим выбора сцены Автофокус с обнаружением фазы (PDAF) Лазерный автофокус (LAF) | Автофокус Серийная съёмка Цифровой зум Оптическая стабилизация изображения Географические метки Панорамная съёмка HDR съёмка Сенсорная фокусировка Распознавание лиц Настройка баланса белого Настройка ISO Компенсация экспозиции Автоспуск Режим выбора сцены Автофокус с обнаружением фазы (PDAF) Лазерный автофокус (LAF) | Автофокус Серийная съёмка Цифровой зум Оптическая стабилизация изображения Географические метки Панорамная съёмка HDR съёмка Сенсорная фокусировка Распознавание лиц Настройка баланса белого Настройка ISO Компенсация экспозиции Автоспуск Режим выбора сцены Автофокус с обнаружением фазы (PDAF) Лазерный автофокус (LAF) | Автофокус Серийная съёмка Цифровой зум Оптическая стабилизация изображения Географические метки Панорамная съёмка HDR съёмка Сенсорная фокусировка Распознавание лиц Настройка баланса белого Настройка ISO Компенсация экспозиции Автоспуск Режим выбора сцены Автофокус с обнаружением фазы (PDAF) |
| 6-LED Ring flash Secondary rear camera — 20 MP (telephoto) Sensor model — Sony IMX350 Exmor RS (#2) Sensor size — 1/2.8″ (#2) Pixel size — 1.0 μm (#2) Aperture size — f/2.6 (#2) 5-element lens (#2) | 6-LED Ring flash 4-axis OIS Secondary rear camera — 20 MP (telephoto) Sensor model — Sony IMX350 Exmor RS (#2) Sensor size — 1/2.8″ (#2) Pixel size — 1.0 μm (#2) Aperture size — f/2.6 (#2) | Pixel size — 1.6 μm (4-in-1 pixel binning) Secondary rear camera — 20 MP (telephoto) Sensor model — Sony IMX350 Exmor RS (#2) Sensor size — 1/2.8″ (#2) Pixel size — 1.0 μm (#2) Aperture size — f/2.6 (#2) 5-element lens (#2) | Pixel size — 1.6 μm (4-in-1 pixel binning) Sensor type — ISOCELL PLUS Secondary rear camera — 8 MP (ultra-wide angle) Aperture size — f/2.2 (#2) 5-element lens (#2) Focal length (35 mm equivalent) — 15 mm (#2) Angle of view — 118.8° (#2) Third rear camera — 5 MP (#3) Aperture size — f/1.9 (#3) 4-element lens (#3) | |
| Модель датчика | Sony IMX376 Exmor RS | Sony IMX376 Exmor RS | — | — |
| Тип датчика | CMOS | CMOS | CMOS | CMOS |
| Формат датчика | 1/2.78″ | 1/2.78″ | — | — |
| Размер пикселя | 1 мкм 0.001000 мм | 1 мкм 0.001000 мм | — | — |
| Светлосила | f/2 | f/2 | f/2.2 | f/2.2 |
| Фокусное расстояние | 3.2 мм | 3.2 мм | — | — |
| Количество оптических элементов (линз) | 5 | 5 | 5 | 5 |
| Разрешение изображения | 5120 x 3840 пикселей 19.66 Мп | 5120 x 3840 пикселей 19.66 Мп | 5120 x 3840 пикселей 19.66 Мп | 4608 x 3456 пикселей 15.93 Мп |
| Разрешение видео | 1920 x 1080 пикселей 2.07 Мп | 1920 x 1080 пикселей 2.07 Мп | 1920 x 1080 пикселей 2.07 Мп | 1920 x 1080 пикселей 2.07 Мп |
| Скорость видео записи (кадровая частота) | 30 кадров/сек | 30 кадров/сек | 30 кадров/сек | 30 кадров/сек |
| Характеристики | Разблокировка по лицу | Разблокировка по лицу | Разблокировка по лицу | Разблокировка по лицу |
| Exposure compensation | Exposure compensation | Exposure compensation | Exposure compensation | |
| Громкоговоритель | Громкоговоритель Наушник Стерео говорители | Громкоговоритель Наушник Стерео говорители | Громкоговоритель Наушник | Громкоговоритель Наушник |
| Cirrus Logic CS35L41 | Qualcomm Fluence | 384 kHz / 32-bit Cirrus Logic CS43131 Headphone adapter | Headphone adapter | |
| Wi-Fi | 802.11a 802.11b 802.11g 802.11n 802.11n 5GHz 802.11ac Dual band Wi-Fi Hotspot Wi-Fi Direct | 802.11a 802.11b 802.11g 802.11n 802.11n 5GHz Dual band Wi-Fi Hotspot Wi-Fi Direct | 802.11a 802.11b 802.11g 802.11n 802.11n 5GHz 802.11ac Dual band Wi-Fi Hotspot Wi-Fi Direct | 802.11a 802.11b 802.11g 802.11n 802.11n 5GHz 802.11ac Dual band Wi-Fi Hotspot Wi-Fi Direct |
| 2×2 MiMO | — | 2×2 MiMO | 2×2 MiMO | |
| Тип разъёма | USB Type-C | USB Type-C | USB Type-C | USB Type-C |
| Версия | 2.0 | 2.0 | 2.0 | 2.0 |
| Характеристики | Зарядка через USB Хранение данных On-The-Go | Зарядка через USB Хранение данных On-The-Go | Зарядка через USB Хранение данных On-The-Go | Зарядка через USB Хранение данных On-The-Go |
| Подключение устройств | Computer sync OTA sync Tethering VoLTE | Computer sync OTA sync Tethering VoLTE | Computer sync OTA sync Tethering NFC VoLTE | Computer sync OTA sync Tethering VoLTE |
| Форматы/кодеки звуковых файлов | AAC AMR FLAC M4A MIDI MP3 OGG WMA WAV | AAC AMR FLAC M4A MIDI MP3 OGG WMA WAV | AAC AMR aptX aptX HD eAAC+ FLAC M4A MIDI MP3 OGG WMA WAV | AAC AMR aptX aptX HD eAAC+ FLAC M4A MIDI MP3 OGG WMA WAV |
| Форматы/кодеки видео файлов | 3GPP AVI Flash Video H.263 H.264 MKV QuickTime MP4 WMV Xvid | 3GPP AVI Flash Video H.263 H.264 MKV QuickTime MP4 WMV Xvid | 3GPP AVI Flash Video H.263 H.264 MKV QuickTime MP4 WMV Xvid | 3GPP AVI Flash Video H.263 H.264 MKV QuickTime MP4 WMV Xvid |
| Ёмкость | 3010 мА·ч | 3100 мА·ч | 3600 мА·ч | 4000 мА·ч |
| Тип | Li-Ion (Литий-ионный) | Li-Ion (Литий-ионный) | Li-Ion (Литий-ионный) | Li-Ion (Литий-ионный) |
| Выходная мощность адаптера | 12 В / 2 А | 5 В / 2 А 9 В / 2 А 12 В / 2 А | 9 В / 2 А 12 В / 2 А | 9 В / 2 А 12 В / 2 А |
| Технология быстрой зарядки | mCharge 4.0 | mCharge 4.0 | mCharge | mCharge |
| Характеристики | Быстрая зарядка Несъемный | Быстрая зарядка Несъемный | Быстрая зарядка Несъемный | Быстрая зарядка Несъемный |
Лучший удешевлённый смартфон-флагман. Обзор Meizu 16 (16X) — Ferra.ru
Недостачу ёмкости аккумулятора Meizu 16 компенсирует практичностью. На корпусе компактного флагмана есть почти всё необходимое — и 3,5 мм разъём для наушников (в отличие от большинства китайских флагманов), и разъём для USB Type-C, и двойная камера (чего вы смеётесь-то? Sony до сих пор комплектует смартфоны только одной камерой, например) на задней панели.
Чего не хватает? Сканера отпечатка пальцев. Meizu решила сделать модно и молодёжно, поэтому в этой модели он встроен прямо в дисплей. На тот же манер, что и у всех подобных смартфонов — Huawei Mate 20 Pro, Vivo NEX, OPPO RX17. Это одновременно и удобно — сканер всегда перед носом, но не занимает отдельного места; и не очень — в дисплеях сканеры оптические и работают чуть менее точно и быстро, чем тем, к которые обычно находятся на корпусе. В случае с Meizu 16 все примерно как у всех — датчик работает хорошо, но не так быстро, как у обычных смартфонов.
Один из недостатков в оснащении смартфона — у него нет NFC. Как, впрочем, его нет ни у одного смартфона Meizu. Но в Китае NFC никому не нужен, а специально для России делать отдельную версию не хотят. Редиски ли Meizu после этого? Это философский вопрос. С одной стороны, в России продают не так уж много китайских флагманских смартфонов, чтобы делать специальные версии для нас (в Европе Google Pay всё ещё малопопулярен, в США китайские крутые смартфоны, как вы знаете, не пускают). С другой — на сегодняшний день у Meizu полно конкурентов c NFC за эту же цену, включая Xiaomi Mi 8. Сяоми скупердяйничает и ставит NFC скрепя сердце и сжав зубы, но делает это хотя бы для дорогих своих моделей.
Дисплей и звук
Как я уже упомянул, у Meizu 16 не гигантский, а относительно умеренный для 2018 года дисплей — ровно 6 дюймов. Чтобы было ещё понятнее, переведу «на человеческий язык» — по габаритам этот Meizu с 6 дюймам равен Самсунгу S7 edge, у которого 5.5 дюймов на очень компактном корпусе.
Соотношение сторон, как сейчас модно, 2 к 1, а разрешение самое распространённое среди последних новинок — 2160×1080 точек. Да, не сверхчёткое, а просто Full HD+, но, во-первых, смартфон достаточно недорогой, во-вторых, огромное количество отображаемых точек сильно разряжает аккумулятор, так что и без него — высокого разрешения — жить неплохо. Зато матрица у Meizu 16 — AMOLED. Кстати, это как раз сделало возможным установку сканера отпечатка пальца в экран. И благодаря этому же смартфон умеет показывать время, дату и заряд аккумулятора, когда «спит».
Сравнение Xiaomi Mi5 и Meizu Pro 6
За небольшой период китайские компании мобильной техники Xiaomi и Meizu представили обновления флагманской серии смартфонов. Суть относится к моделям Mi 5s и Pro 6. Так как аппараты находятся в приближённых ценовых категориях, для пользователей появляется надобность сравнить предложения, чтобы определить наиболее выгодное: Mi 5s или Pro 6. Поэтому для более детального представления желательно сопоставить между собой различные аспекты, после чего отдать предпочтение наиболее привлекательному варианту.
Дизайн
Вне зависимости от конечного выбора девайса, первое впечатление после распаковки станет положительным. Визуально аппараты очень привлекательны, при этом соответствуя флагманским требованиям. Одновременно флагманы Xiaomi и Meizu значительно отличаются относительно внешности. В соответствии с предшественником Pro 5, новое поколение обладает металлической конструкцией, однако Mi 5s выделяется керамическим или стеклянным корпусом с присутствием на боковых гранях алюминиевой рамки.
Диагонали экранов двух конкурентов практически одинаковые – слегка превышают 5 дюймов. Причём параметры плотности пикселей также не отличаются, поскольку телефоны имеют формат Full HD. Относительно качества матрицы конкуренты очень близки, поэтому при выборе дисплея могут рассматриваться оба варианта. Чтобы удостовериться в схожести устройств по экрану xiaomium.ru рекомендует посмотреть видео обзор.
В нижней части фронтальной панели находятся клавиши со сканером отпечатков и высоким быстродействием. Преимущества при подключении к компьютеру отсутствуют, поскольку каждая модель оснащается разъёмом USB Type-c. Подобная идентичность позволяет использовать одно зарядное устройство поочерёдно для каждого смартфона.
Дисплей
Следуя вышесказанному, габариты гаджетов легко сопоставить, но безрезультатно, поскольку Xiaomi имеет 5,15 против Meizu с 5,2 дюйма, при этом используются матрицы IPS и AMOLED соответственно. Других видимых особенностей, которые следует выделить, у сравниваемых девайсов нет. Отличается только поддержка 3D Press у Pro 6, посредством которой обеспечивается восприимчивость к физической силе нажатия. Аналогичная функция применяется во флагмане iPhone 6s/Plus. На текущее время опция может использоваться только с изначальными программами оболочки Flyme, однако в скором времени поддержка может появиться в других сервисах из встроенного магазина.
Производительность
При сравнении моделей Mi 5 и Pro 6 относительно мощности, можно получить приблизительно одинаковые результаты. В гаджеты установлены премиальные чипсеты, которые отличаются только компанией разработчика. Xiaomi применяет Snapdragon 820, при этом Meizu – Helio X25. Исходя из синтетических тестов, первый слегка превосходит аналог, поскольку модификация Xiaomi относится к наиболее продуктивной по данным распространённого приложения AnTuTu. На практике отличие составляет 100 тыс. баллов против 96 тыс.
По объёму ОЗУ и постоянной памяти доступны различные вариации. Модель Mi 5 предоставляет 3 Гб ОЗУ и 32 Гб ROM, 3Гб ОЗУ и 64 Гб ROM, а также 4Гб ОЗУ и 128 Гб ROM в Pro-версии. Для Meizu существует две комплектации – 4 Гб ОЗУ и 32 Гб ROM, либо 4 Гб и 64 Гб. Поэтому выбор очень разнообразный. При этом в сопоставлении с незначительным превосходством выделяется флагман Xiaomi. Преимущество последнего состоит не только в большем объёме оперативной памяти, но также более значительном пространстве, позволяющем заполнить до 128 Гб. В результате использование дополнительной microSD необязательно, что сохраняет возможность одновременного применения двух SIM-карт.
Камеры
По отношению к качеству модулей между смартфонами присутствует надобность в сравнении. Смартфон Xiaomi Mi 5 оснащается премиальным Sony IMX298 при разрешении 16 Мп, а также стабилизацией изображения посредством 4 осей. За счёт подобного совмещения технических параметров обеспечиваются отличные результаты фотографий, независимо от условий съёмки.
Однако флагманская версия Mi 5 также имеет некоторые особенности. Характеристики тыльной камеры составляют 21 Мп с присутствием лазерной автоматической фокусировки и очень яркой вспышки, которая демонстрирует отличные результаты за счёт использования десяти светодиодов. Дополнительно присутствует поддержка оптической стабилизации.
Автономность
Далее следует выделить аккумуляторные параметры, которые для Xiaomi демонстрируют ёмкость 3000 мАч с возможностью применения функции Quick Charge 3.0. При этом встроенная батарея Meizu рассчитана на 2560 мАч. Поскольку диагонали дисплеев у смартфонов почти полностью одинаковые, продолжительность работы без подзарядки больше у Mi 5. Также важно отметить отсутствие у конкурента поддержки технологии быстрой зарядки.
Операционные системы
На телефоны изначально устанавливается программное обеспечение Android 6, при этом отличие заключается в оболочке – для Xiaomi стандартная MIUI, а Meizu – Flyme. Наибольшее количество пользователей отдают предпочтение MIUI относительно удобства, а также частоты поступления обновлений. Однако бескомпромиссного преимущества у Xiaomi нет, поскольку выбор операционной системы индивидуален.
Цены
При сопоставлении любых девайсов стоимость является обязательным пунктом. Поэтому Mi 5 в минимальной комплектации на китайском рынке можно приобрести за 300$, при этом наиболее продвинутая – 400$. Предложения с Pro 6 запрашивают сумму от 400$, однако модификация с 64 Гб доступной памяти требует 450$.
Выводы
Учитывая все технические параметры, Xiaomi Mi 5, наиболее вероятно, более предпочтителен для возможных покупателей, поскольку оснащается более ёмким аккумулятором и доступной стоимостью. Камеры приблизительно одинаковые, то же относится к экранам. Технически Xiaomi предлагает больше типов комплектации, поэтому аппарат получает лидерство в текущем сравнении, но только при некоторых преимуществах.
| Пятница, 29 октября 2021 г. | ||||||||
| Bank Central Asia (BBCA) | 71,00 | / 69,07 | 22.117,2B | / 19.013,67B | 909,15T | |||
| Telkom Indonesia (TLKM) | — | / 63,59 | — | / 35.475,05B | 371,48T | |||
| Bank Mandiri Persero (BMRI) | — | / 125,04 | — | / 25.735,55B | 327,58T | |||
| Chandra Asri Petro (TPIA) | — | / — | — | / — | 160,59T | |||
| Bank Negar (BBNI) | 146,00 | / 131,66 | 17.657,8B | / 14.435,92B | 131,2T | |||
| Bayan Resources (BYAN) | — | / — | — | / — | 88,33T | |||
| KIA Motors (000270) | — | / 2487,89 | — | / 17.175,07B | 34,12T | |||
| Surya Citra Media (SCMA) | — | / 14,2 | — | / — | 28,08T | |||
| 7,76 | / 8,96 | 1.121,6B | / 1.088,53B | 24,6T | ||||
| Hyundai Mobis (012330) | — | / 7005,43 | — | / 10.150,5B | 23,13T | |||
| Posco Inc (005490) | — | / 20914,21 | — | / 19.217,01B | 22,39T | |||
| — | / 2263,59 | — | / 12.369,73B | 20,15T | ||||
| Bank Tabungan Negara (BBTN) | 56,00 | / 57,06 | 6.646,5B | / 3.551,5B | 18,48T | |||
| Kimia Farma Persero (KAEF) | — | / — | — | / — | 13,44T | |||
| — | / — | — | / — | 10,73T | ||||
| KT&G Corp (033780) | — | / 2244,59 | — | / 1.512,02B | 10,06T | |||
| Woori Financial (316140) | — | / 799,99 | — | / 2.043,5B | 9,65T | |||
| Perusahaan Perkebunan (LSIP) | — | / — | — | / — | 9,14T | |||
| Industrial Bank Of Korea (024110) | — | / 724,29 | — | / 1.692,73B | 8,22T | |||
| KDDI Corp. (9433) | 76,22 | / 82,87 | 1.324,9B | / 1.327,16B | 7,93T | |||
| Lotte Chemical Corp (011170) | — | / 8777,71 | — | / 4.581,79B | 7,69T | |||
| Hero Supermarket (HERO) | — | / — | — | / — | 7,61T | |||
| Santander Chile (BSANTANDER) | 0,93 | / 0,9522 | 542B | / 550,15B | 6,85T | |||
| Jaya Real Property (JRPT) | — | / — | — | / — | 6,72T | |||
| Denso Corp. (6902) | 30,35 | / 65,56 | 1.226,07B | / 1.220,1B | 6,33T | |||
| Hyundai Steel (004020) | — | / 2926,87 | — | / 6.298,35B | 5,85T | |||
| Macq Kor Infr (088980) | — | / — | — | / 56B | 5,55T | |||
| Daiichi Sankyo (4568) | 14,21 | / 10,08 | 265,9B | / 251,98B | 5,5T | |||
| Bumi Resources (BUMI) | — | / — | — | / — | 5,27T | |||
| LG Innotek Co (011070) | — | / 7569,5 | — | / 3.502,67B | 4,96T | |||
| Ramayana Lestari (RALS) | — | / — | — | / — | 4,64T | |||
| Japan Tobacco (2914) | 64,03 | / 39,27 | 621,54B | / 575,43B | 3,97T | |||
| Astellas Pharma Inc. (4503) | 22,09 | / 26,11 | 325,52B | / 327,15B | 3,55T | |||
| GS Engineering & Const (006360) | — | / 1561,95 | — | / 2.418,02B | 3,51T | |||
| Hotel Shilla (008770) | — | / 564,91 | — | / 1.004,53B | 3,31T | |||
| Mitra Pinasthika (MPMX) | — | / — | — | / — | 3,19T | |||
| Sri Rejeki Isman (SRIL) | — | / — | — | / — | 2,99T | |||
| Korea Aerospac (047810) | — | / 150,17 | — | / 615,78B | 2,98T | |||
| Kino Indonesia Tbk PT (KINO) | — | / — | — | / — | 2,96T | |||
| Mando Corp (204320) | — | / 1060,02 | — | / 1.495,27B | 2,92T | |||
| S-1 Corp (012750) | — | / 988,00 | — | / 572,83B | 2,82T | |||
| Seegene (096530) | — | / 2.909 | — | / 283,1B | 2,76T | |||
| Austindo Nusantara Jaya (ANJT) | — | / — | — | / — | 2,7T | |||
| Cheil Worldwide (030000) | — | / 375,31 | — | / 773,16B | 2,42T | |||
| Enel Chile (ENELCHILE) | — | / 1,03 | — | / 725,42B | 2,4T | |||
| Samudera Indonesia (SMDR) | — | / — | — | / — | 2,33T | |||
| Hugel (145020) | — | / 1298,29 | — | / 64,79B | 2,23T | |||
| Lotte Fine Chemical (004000) | — | / 1.546 | — | / 469,88B | 2,14T | |||
| Adani Transmission Ltd (ADAI) | — | / — | — | / 27.437M | 1,97T | |||
| ICBC (1398) | — | / 0,23 | — | / 210,55B | 1,9T | |||
| Dgb Financial (139130) | — | / 765,44 | — | / 511,77B | 1,75T | |||
| Toyota Tsusho Corp. (8015) | 201,41 | / — | 1.872,54B | / — | 1,73T | |||
| Nomura (8604) | 0,64 | / 21,9 | 318,87B | / 344,81B | 1,7T | |||
| ICBC (601398) | 0,23 | / 0,23 | 217,49B | / 210,55B | 1.651,52B | |||
| Asahimas Flat Glass (AMFG) | — | / — | — | / — | 1,65T | |||
| NEC Corp. (6701) | 48,14 | / 59,1 | 730,86B | / 741,61B | 1,59T | |||
| China Construction Bank (0939) | 0,32 | / 0,28 | 185,57B | / 187,54B | 1,34T | |||
| PI Advanced Materials (178920) | — | / 570,50 | — | / 86,35B | 1,33T | |||
| ANA Holdings (9202) | -101,3 | / -59,64 | 232,21B | / 243,2B | 1,25T | |||
| Сургутнефтегаз (прив.) (SNGS_p) | — | / — | — | / — | 1,23T | |||
| Sk Gas (018670) | — | / — | — | / 1.424,65B | 1,23T | |||
| Nice Information Service (030190) | — | / 225,68 | — | / 119,1B | 1,18T | |||
| SBI Life Insurance (SBIL) | 2,23 | / 3,83 | 146,6B | / 127,61B | 1,15T | |||
| Vedanta (VDAN) | — | / 13,1 | — | / 291,94B | 1,13T | |||
| Транснефть (прив.) (TRNF_p) | — | / — | — | / — | 1,11T | |||
| China Construction Bank Co (601939) | 0,32 | / 0,28 | 185,57B | / 187,54B | 1,1T | |||
| Gkl (114090) | — | / 103,65 | — | / 37,16B | 1,01T | |||
| Bank of China H (3988) | 0,17 | / 0,1733 | 153,04B | / 134,72B | 1,01T | |||
| Astra Graphia (ASGR) | — | / — | — | / — | 984,61B | |||
| LX International (001120) | — | / 715,40 | — | / 4.058,6B | 976,53B | |||
| Mitsubishi Heavy Industries (7011) | -1,69 | / 60,4 | 812,03B | / 860,25B | 976,08B | |||
| Lautan Luas (LTLS) | — | / — | — | / — | 949,53B | |||
| TOTO (5332) | 64,2 | / 34,56 | 163,78B | / 159,18B | 932,19B | |||
| Itau CorpBanca (ITAUCORP) | — | / 0,0834 | — | / — | 922,33B | |||
| Bharat Pet. (BPCL) | — | / 11,32 | — | / 844,63B | 906,08B | |||
| Odakyu Electric Railway (9007) | 1,77 | / 17,35 | 86,42B | / 95,8B | 894,49B | |||
| Mitsui O.S.K. Lines (9104) | 1424,74 | / 886,48 | 308,21B | / 268,45B | 856,48B | |||
| Bank of China A (601988) | 0,17 | / 0,1733 | 153,04B | / 134,72B | 833,23B | |||
| Webzen (069080) | — | / 692 | — | / 70,55B | 818,15B | |||
| Dr. Reddy’s Labs (REDY) | — | / 41,48 | — | / 52,19B | 774,61B | |||
| Seiko Epson Cor (6724) | 54,93 | / 28,16 | 268,44B | / 284,59B | 700,97B | |||
| Nan Ya Plastics (1303) | — | / 2,11 | — | / 95,88B | 674,91B | |||
| GAIL Ltd (GAIL) | — | / 4,81 | — | / 192,39B | 660,95B | |||
| Jaya Agra Wattie (JAWA) | — | / — | — | / — | 660,57B | |||
| DL Construction Co (001880) | — | / 1.768 | — | / 583B | 649,47B | |||
| Delta Electronics (2308) | — | / 2,9 | — | / 81,65B | 636,4B | |||
| Keisei Electric Railway (9009) | -25,78 | / 17,19 | 52,24B | / 57,51B | 615,99B | |||
| Tobu Railway (9001) | -5,36 | / 23,49 | 121,9B | / 123,4B | 590,61B | |||
| NGK Insulators (5333) | 50,56 | / 45,61 | 121,38B | / 126,87B | 580,08B | |||
| United Phosphorus (UPLL) | — | / 7,49 | — | / 95,94B | 565,97B | |||
| Cadila Healthcare (CADI) | — | / 2,95 | — | / 37,38B | 514,74B | |||
| Cholamandalam Inv. and Finance (CHLA) | — | / 6,33 | — | / 13,35B | 505,52B | |||
| Halla Eng&Cons (014790) | — | / 335,00 | — | / 354,05B | 500,44B | |||
| Steel Authority of India (SAIL) | — | / 10,5 | — | / 246,34B | 475,01B | |||
| FCFC (1326) | — | / 1,85 | — | / 84,65B | 470,85B | |||
| Ternium Argentina (TXAR) | — | / — | — | / 81,67B | 469,78B | |||
| PTT Exploration (PTTEP) | 2,79 | / 2,65 | 58,30B | / 55,08B | 466,47B | |||
| Industrial Bank (601166) | — | / 0,7627 | — | / 54,13B | 387,02B | |||
| Lotte Food (002270) | — | / 14.377 | — | / 490,83B | 376,04B | |||
| Sumitomo Heavy Industries (6302) | 69 | / 81,6 | 229,77B | / 217,8B | 358,95B | |||
| Daekyo (019680) | — | / 83,00 | — | / 156,3B | 345,4B | |||
| JTEKT Corp. (6473) | 3,04 | / 39,4 | 319,98B | / 357,13B | 344B | |||
| N.P.C (8046) | — | / 4,43 | — | / 13,97B | 316,94B | |||
| Bank of Communications Co Ltd (601328) | 0,26 | / 0,2733 | 59,32B | / 64,86B | 311,37B | |||
| S.F. Holding Co (002352) | 0,38 | / 0,4344 | 47,52B | / 47,64B | 285,91B | |||
| Nippon Electric Glass (5214) | 75,34 | / 67,3 | 75,16B | / 74,3B | 280,5B | |||
| Unimicron Tech (3037) | — | / 1,78 | — | / 27,5B | 280,25B | |||
| Whanin Pharm (016580) | — | / — | — | / 44,3B | 274,04B | |||
| Exxon Mobil (XOM) | 1,58 | / 1,56 | 73,79B | / 71,02B | 272,26B | |||
| Inner Mongolia Yili (600887) | 0,43 | / 0,3769 | 28,50B | / 27,87B | 261,53B | |||
| BOC HK (2388) | — | / 2,51 | — | / 54.474M | 261,15B | |||
| Mitsubishi Logistics Corp. (9301) | 43,55 | / — | 60,72B | / 56,59B | 258,09B | |||
| Realtek (2379) | — | / 9,07 | — | / 27,58B | 254,83B | |||
| China Pacific Insurance (601601) | 0,56 | / 0,63 | — | / — | 242,29B | |||
| Intouch Holdings (INTUCH) | — | / 0,78 | — | / 942,46M | 241,3B | |||
| Sonda (SONDA) | 10,39 | / 6,66 | — | / 209,24B | 237,99B | |||
| Chevron (CVX) | 2,96 | / 2,21 | 44,71B | / 40,27B | 218,76B | |||
| Cemex (CEMEXCPO) | -0,0407 | / 0,3412 | 76,63B | / 77,73B | 198,71B | |||
| Mitra Int (MIRA) | — | / — | — | / — | 198,07B | |||
| AbbVie (ABBV) | 3,33 | / 3,22 | 14,34B | / 14,3B | 193,81B | |||
| Chang Hwa Bank (2801) | — | / 0,1683 | — | / 7,45B | 173,06B | |||
| Okuma Corp. (6103) | 73,69 | / 65,56 | 41,04B | / 42,11B | 171,12B | |||
| China Minsheng Banking (600016) | 0,19 | / 0,19 | 42,86B | / 40.300M | 159,08B | |||
| CRRC A (601766) | 0,09 | / 0,1236 | 49B | / 55,17B | 157,15B | |||
| Chips&Media (094360) | — | / — | — | / 5,4B | 154,7B | |||
| Poly Real Estate Group (600048) | 0,65 | / 0,4683 | 48,49B | / 59,8B | 150,34B | |||
| Guotai Junan Securities (601211) | 0,39 | / 0,3498 | 9,99B | / 9,86B | 142,3B | |||
| Grupo Financiero Inbursa (GFINBURO) | 0,57 | / 0,5068 | 17,56B | / 7,76B | 132,14B | |||
| NTN Corp. (6472) | -4,2 | / 1,93 | 149,17B | / 156,04B | 130,67B | |||
| Charter Communications (CHTR) | 6,5 | / 5,69 | 13,15B | / 12,92B | 129,83B | |||
| China Railway A (601390) | — | / 0,225 | — | / 286,66B | 120,08B | |||
| MSI (2377) | — | / 4,87 | — | / 48,19B | 118,28B | |||
| Winbond (2344) | — | / 1,01 | — | / 27,09B | 104,67B | |||
| Danske Bank (DANSKE) | 3,8 | / 3,52 | 10,22B | / 10,09B | 98,36B | |||
| China Airlines (2610) | — | / 0,45 | — | / 33,92B | 97,51B | |||
| Svenska Cellulosa (SCAb) | 2,59 | / 2,29 | 5,08B | / 4,99B | 96,96B | |||
| China Railway Construction (601186) | 0,36 | / 0,45 | 246,96B | / 261,35B | 94,27B | |||
| WPG Holdings (3702) | — | / 1,67 | — | / 200,82B | 87,14B | |||
| Public Bank (PUBM) | — | / 0,0758 | — | / 3,19B | 80,94B | |||
| EssilorLuxottica (ESLX) | — | / — | 4,46B | / 4,38B | 76,23B | |||
| Powertech Tech (6239) | — | / 3,22 | — | / 22,12B | 75,12B | |||
| TISCO Financial (TISCO) | 1,95 | / 1,95 | 4,94B | / 4,55B | 73,86B | |||
| Aon (AON) | 1,74 | / 1,7 | 2,7B | / 2,6B | 72,48B | |||
| BNP Paribas (BNPP) | 1,78 | / 1,78 | 11,4B | / 11,22B | 71,77B | |||
| Macquarie (MQG) | — | / 276,35 | — | / 4.704M | 69,99B | |||
| Colgate-Palmolive (CL) | 0,81 | / 0,7965 | 4,41B | / 4,4B | 64,85B | |||
| Telesites SAB de CV (SITESB1) | 0,02 | / 0,0656 | 2,21B | / 2,2B | 62,47B | |||
| Gn Store Nord (GN) | — | / 3,34 | — | / 3,88B | 54,37B | |||
| NTC (4919) | — | / 1,21 | — | / 10,72B | 52,49B | |||
| Faraday Tech (3035) | 1,31 | / 1,02 | 2,22B | / 1,96B | 49,96B | |||
| ITEQ (6213) | — | / 2,79 | — | / 9,09B | 49,21B | |||
| Safran (SAF) | — | / — | 3,73B | / 3,76B | 48,63B | |||
| King Yuan (2449) | — | / 1,1 | — | / 8,67B | 48,6B | |||
| Glencore (GLEN) | — | / — | — | / — | 47,27B | |||
| King’s Town Bank (2809) | 1,41 | / 1,22 | 2,31B | / 2,96B | 46,53B | |||
| Banco Del Bajio (BBAJIOO) | — | / 0,8757 | — | / 3,32B | 46,23B | |||
| Radiant (6176) | — | / 3,48 | — | / 14,41B | 45,25B | |||
| GTK (2441) | — | / 2,23 | — | / 5,18B | 45,22B | |||
| L3Harris Technologies (LHX) | 3,21 | / 3,18 | 4,23B | / 4,53B | 45,02B | |||
| Qa islamic bk (QISB) | 0,36 | / 0,3445 | 2,07B | / 1,46B | 43,53B | |||
| Hannstar Display (6116) | — | / 0,2 | — | / 5,53B | 42,68B | |||
| China Motor (2204) | — | / 1,42 | — | / 7,51B | 38,37B | |||
| Cheng Loong (1904) | — | / 0,9425 | — | / 11,31B | 37,68B | |||
| BBVA (BBVA) | 0,2 | / 0,1827 | 4,96B | / 5,07B | 37,57B | |||
| Masraf al raya (MARK) | 0,07 | / 0,08 | 1,20B | / 925,93M | 35,81B | |||
| Afterpay Touch (APT) | — | / — | — | / — | 35,79B | |||
| SASA Polyester (SASA) | — | / — | — | / — | 34,67B | |||
| Phillips 66 (PSX) | 3,18 | / 1,89 | 22,76B | / 26,99B | 33,63B | |||
| LyondellBasell Industries (LYB) | 5,25 | / 5,69 | 12,7B | / 11,28B | 32,23B | |||
| Imperial Oil (IMO) | 1,29 | / 1,28 | 10,23B | / 10,62B | 31,51B | |||
| SSFC (1409) | — | / — | — | / — | 30,42B | |||
| Omv Petrom S.A (ROSNP) | 0,0176 | / 0,031 | 6,92B | / 7,35B | 28,24B | |||
| Weyerhaeuser (WY) | 0,6 | / 0,5687 | 2,35B | / 2,36B | 27,29B | |||
| Dynasty Ceramic (DCC) | — | / — | — | / — | 27,01B | |||
| AIDC (2634) | — | / 0,2267 | — | / 6,17B | 26,56B | |||
| NatWest Group (NWG) | 0,058 | / 0,0318 | 2,77B | / 2,75B | 26,33B | |||
| Fortis Inc (FTS) | 0,64 | / 0,652 | 2,16B | / 2,19B | 26,02B | |||
| Eastern co (EAST) | — | / — | — | / 3.954M | 25,85B | |||
| RichWave Technology Corp (4968) | — | / 2,18 | — | / 1,5B | 25,48B | |||
| Mercuries Life (2867) | — | / — | — | / — | 24,51B | |||
| WW Grainger (GWW) | 5,65 | / 5,3 | 3,37B | / 3,32B | 22,43B | |||
| Aena (AENA) | — | / 0,5725 | — | / 870,58M | 21,46B | |||
| Royal Caribbean Cruises (RCL) | -4,91 | / -4,13 | 456,96M | / 612,15M | 21,46B | |||
| Church&Dwight (CHD) | 0,8 | / 0,7091 | 1,31B | / 1,28B | 20,94B | |||
| Caixabank (CABK) | 0,077 | / 0,075 | 2,81B | / 2,83B | 20,9B | |||
| Cerner (CERN) | 0,86 | / 0,8153 | 1,47B | / 1,45B | 20,89B | |||
| Taiwan Hon Chuan (9939) | — | / 2,44 | — | / 6,11B | 18,73B | |||
| Shaw B (SJRb) | 0,5 | / 0,338 | 1,38B | / 1,38B | 17,93B | |||
| Merry Electronics (2439) | — | / 2,08 | — | / 10,21B | 17,36B | |||
| USIMINAS PNA N1 (USIM5) | — | / 1,61 | — | / 9,46B | 17,35B | |||
| Usinas Siderurgicas d Minas Gerais (USIM3) | — | / 3,22 | — | / 9,46B | 17,35B | |||
| Legal & General (LGEN) | — | / — | — | / — | 17,19B | |||
| Qa intl is bk (QIIB) | 0,19 | / 0,19 | 615,8M | / 452,45M | 14,82B | |||
| Yeun Chyang (2034) | — | / 1,16 | — | / 5,22B | 14,02B | |||
| Cboe Global (CBOE) | 1,45 | / 1,44 | 369,5M | / 365,62M | 13,99B | |||
| Thai Stanley Electric (STANLY) | — | / — | — | / — | 13,52B | |||
| Grupa lotos sa (LTSP) | — | / — | — | / 8,38B | 11,63B | |||
| Kesko (KESKOB) | 0,43 | / 0,4366 | 2,9B | / 2,89B | 11,46B | |||
| Tabcorp (TAH) | — | / — | — | / — | 11,01B | |||
| Hannstar Touch (3049) | — | / — | — | / — | 9,6B | |||
| Newell Brands (NWL) | 0,54 | / 0,4978 | 2,79B | / 2,78B | 9,26B | |||
| Chenbro Micom (8210) | — | / 1,98 | — | / 2,35B | 9,09B | |||
| Oyak Cimento (OYAKC) | — | / — | — | / — | 7,98B | |||
| Accor (ACCP) | — | / — | — | / 650M | 7,89B | |||
| IGO Ltd (IGO) | — | / — | — | / — | 7,31B | |||
| SNC-Lavalin (SNC) | 0,23 | / 0,3936 | 1,81B | / 1,82B | 6,24B | |||
| Basso (1527) | — | / 0,95 | — | / 1.202M | 5,96B | |||
| Mapfre (MAP) | — | / 0,0486 | — | / 4,8B | 5,54B | |||
| Signify (LIGHT) | — | / 0,8479 | — | / 1,73B | 5,51B | |||
| Atlantic Grupa (ATGR) | — | / — | — | / — | 5,42B | |||
| Proximus (PROX) | — | / 0,3844 | — | / 1,38B | 5,42B | |||
| Tivoli (TIV) | — | / — | — | / — | 4,85B | |||
| FCC (FCC) | — | / — | 1,7B | / — | 4,64B | |||
| Hochtief AG (HOTG) | 1,71 | / — | 5,32B | / 5,32B | 4,64B | |||
| E-Lead (2497) | — | / 0,205 | — | / 578,5M | 4,54B | |||
| EIS (ECILC) | — | / — | — | / — | 4,12B | |||
| ConvaTec Group (CTEC) | — | / — | 705,13M | / 509,5M | 3,98B | |||
| Valamar Riviera DD (RIVP) | — | / — | — | / — | 3,97B | |||
| Grupo Catalana Occidente SA (GCO) | — | / — | 585M | / — | 3,61B | |||
| Beach Energy (BPT) | — | / — | — | / 378,5M | 3,18B | |||
| Computacenter (CCC) | — | / 81,30 | — | / 1.053M | 3,12B | |||
| Parsan (PARSN) | — | / — | — | / — | 2,39B | |||
| Montea CVA (MONTE) | — | / — | — | / — | 2,2B | |||
| Yatas (YATAS) | — | / — | — | / — | 1,92B | |||
| Is GYO (ISGYO) | — | / — | — | / 113M | 1,84B | |||
| Nanosonics (NAN) | — | / — | — | / — | 1,79B | |||
| Westshore (WTE) | — | / 0,4 | — | / 81,27M | 1,67B | |||
| Akastor ASA (AKAST) | -0,11 | / -0,1548 | 229M | / 204M | 1,66B | |||
| AUDI (AUDI) | — | / — | — | / — | 1,54B | |||
| Bank Audi DRC (AUSR) | — | / — | — | / — | 1,54B | |||
| Cemtas (CEMTS) | — | / — | — | / — | 1,5B | |||
| Alarko GYO (ALGYO) | 1,33 | / — | 61,92M | / — | 1,44B | |||
| TP ICAP (TCAPI) | — | / — | — | / — | 1,27B | |||
| Pharma Mar (PHMR) | — | / 0,89 | — | / 54,20M | 1,27B | |||
| Tokmanni (TOKMAN) | — | / 0,3518 | — | / 276,08M | 1,26B | |||
| Faes Farma (FAE) | — | / — | — | / — | 1,02B | |||
| YIT (YIT) | — | / -0,0012 | — | / 554,72M | 944,38M | |||
| Enento Plc (ENENTO) | — | / 0,315 | — | / 39,85M | 910,92M | |||
| Recticel (RECT) | — | / — | — | / — | 901,37M | |||
| Ad Plastik (ADPL) | 1,54 | / — | 205,1M | / — | 688,71M | |||
| Stockmann Oyj (STOCKA) | — | / 0,315 | — | / 224,1M | 262,54M | |||
| CB First Investment Bank AD (FIB) | — | / — | — | / — | 248,23M | |||
| Omani Qatari Telecommunications (ORDS) | 0,01 | / — | — | / — | 246,06M | |||
| Viking Line (VIK1V) | — | / — | — | / — | 174,42M | |||
Обзор суперфлагмана Xiaomi Mi 11 Ultra
Компания Xiaomi, которая раньше славилась своими бюджетниками и среднебюджетниками, уже не первый год пытается закрепиться в топовой категории. У них была интересная продвинутая и достаточно дорогая серия Mi Mix, последняя модель которой была выпущена в 2018 году, и больше ничего не появлялось (Mi Mix Fold я не считаю, это раскладываемый смартфон). Начиная с десятой модели старшие версии Xiaomi Mi 10 Pro и Xiaomi Mi 10 Ultra стоили уже порядка €1000 — ранее за такие деньги смартфоны Xiaomi не продавались. При этом Xiaomi Mi 10 Pro стоил более чем в два раза дороже одного из самых их удачных смартфонов Xiaomi Mi Note 10, а по возможностям был никак не в два раза лучше: соотношение цены и качества у этой модели было не особенно хорошим и, насколько я знаю, популярностью этот смартфон не пользовался.
Тем не менее своих попыток компания не оставила, и вот буквально десять дней назад в Европе появился новый суперфлагман Xiaomi Mi 11 Ultra, который и вовсе стоит аж €1200! Однако в отличие от Mi 10 Ultra данный смартфон имеет некоторые уникальные характеристики, и он очень интересный.
В нем установлена самая на данный момент мощная платформа на рынке — Qualcomm Snapdragon 888, у него поражающий воображение фотосенсор размером 1/1,12″ с оптической стабилизацией, фотомодуль содержит качественный пятикратный оптический зум с сенсором 1/2″ со стабилизацией, а также сверхширик с таким же сенсором. Аккумулятор на 5000 мА·ч поддерживает зарядку с мощностью 67 ватт, причем с точно такой же мощностью смартфон может заряжаться от беспроводной зарядки. Также тут есть еще второй экран, встроенный в фотомодуль. Присутствует влагозащита, задняя крышка выполнена из керамики — в общем, по всем статьям это бескомпромиссный суперфлагман.
К тому же лаборатория DXOMark уже протестировала камеру данного смартфона, и они дали ей 143 балла, поставив этот смартфон на первое место в рейтинговой таблице.
То есть, по их мнению, у данной модели — лучшая камера на рынке!
Мне, разумеется, было очень интересно познакомиться с данной моделью, так что я ее приобрел, провел ряд соответствующих тестов и теперь готов поделиться своими впечатлениями в обзоре. Мне нужно дать оценку смартфону как таковому, сравнить его камеру с флагманами некоторых других производителей, ну и сделать вывод о том, стоит ли отдавать за данный смартфон такие деньги или нет.
Так что поехали — суперфлагман Xiaomi Mi 11 Ultra!
Технические характеристики
Операционная система: Android 11, оболочка MIUI 12
Дисплей: 6,81″, 3200×1440 WQHD+, AMOLED DotDisplay E4, 515 PPI, Corning Gorilla Glass Victus, частота обновления 120 Гц, яркость 900 нит (HBM) и 1700 нит (пиковая), HDR 10+, Dolby Vision
Процессор: Qualcomm Snapdragon 888 5G (5 нм), Octa-core (1 × 2.84 GHz Kryo 680 & 3 × 2.42 GHz Kryo 680 & 4 × 1.80 GHz Kryo 680)
GPU: Adreno 660
ОЗУ: 8/12 ГБ
Флеш-память: 256/512 ГБ UFS 3.1
Карта памяти: нет
Сканер отпечатка пальца: есть (подэкранный)
Распознавание лица: есть
ИК-передатчик: есть
NFC: есть
Сеть: GSM/3G/4G/5G: 4G: FDD-LTE： B1 / B2 / B3 / B4 / B5 / B7 / B8 / B12 / B17 / B20 / B28/ B32 /B66; 4G: TDD-LTE： B38 / B40 / B41 / B42; 5G: n1 / n3 / n5 / n7 / n8 / n20 / n28 / n38 / n40 / n41 / n77 / n78 / n79
Беспроводная связь: Wi-Fi 802.11a/b/g/n/ac/6 (2,4 и 5 ГГц), Bluetooth BT5.2 A2DP LE
Камеры: основная 50 Мпикс, 1/1,12″, f/1,95, оптическая стабилизация; телефото 48 Мпикс, 1/2,0″, пятикратный оптический зум; сверхширик 48 Мпикс, f/2,2, 1/2,0″; видео 8К 24 fps со стабилизацией и поддержкой HDR 10
Фронтальная камера: 20 Мпикс, 1/3,4″, f/2,2, видео Full HD 60 fps
Порты: USB Type-C (OTG)
Навигация: GPS / A-GPS / ГЛОНАСС / BDS / GALILEO / QZSS / NavIC
SIM-карты: nanoSIM1 и nanoSIM2 (dual standby)
Уровень защиты: IP68
Аккумулятор: 5000 мА·ч, быстрая зарядка мощностью 67 ватт (адаптер на 67 ватт входит в комплект), беспроводная зарядка 67 ватт (адаптер в комплект не входит), реверсивная зарядка 10 ватт
Размеры: 164,3 × 74,6 × 8,4 мм
Вес: 234 г
Дополнительно: датчики приближения и освещенности, акселерометр, гироскоп, компас, датчик Холла, датчик захвата, барометр, датчик цветовой температуры, датчик мерцания, стереодинамики
Варианты цветов корпуса: керамический черный, керамический белый
Цены:
Ну что, характеристики, как мы видим, топовые, однако цена тоже топовая, поэтому давайте смотреть, как это все работает.
Содержание обзора:
Комплект поставки
Главные флагманы Xiaomi обычно упаковываются в коробки черного цвета с надписью серебряными или золотистыми буквами.
Комплект поставки: смартфон, адаптер питания на 67 ватт, кабель USB — Type-C, переходник с Type-C на аудиоджек, силиконовый чехол, руководство пользователя, ключ для вытаскивания вставки под сим-карты.
Внешний вид и особенности
Корпус имеет металлическую рамку, боковые края экрана немного скошены (об этом подробнее поговорим ниже). Дисплей покрыт стеклом Gorilla Glass Victus шестого поколения.
Задняя крышка — керамическая. Покрытие крышки — глянцевое, однако там явно есть олеофобное покрытие, потому что отпечатки пальцев крышка почти не собирает.
Блок камер. Слева — основной модуль, справа — сверхширик, снизу — пятикратный зум, справа от камер трехсекционная вспышка, а справа от нее — второй OLED-дисплей (о нем также поговорим отдельно ниже).
Блок камер возвышается над крышкой на 2,5 миллиметра.
На нижней грани — слот под сим-карты, порт USB-C, микрофон, прорезь динамика, к которой подошли творчески, — она смотрится лучше, чем отверстия одинакового размера.
На верхней грани — ИК-передатчик, второй микрофон для шумоподавления, прорези второго динамика, к которому уже не стали подходить творчески: видать, на нижних прорезях творчество закончилось.
На боковой грани кнопка питания и регулировка громкости.
Этот смартфон в компании Poco F3 5G (слева) и ASUS Zenfone 7 Pro (справа).
Ну и вот он в комплектном силиконовом чехле.
Дисплей
Дисплей на матрице AMOLED E4 великолепного качества. Максимальное разрешение 3200×1440, соотношение сторон 20:9, плотность пикселей 515 ppi, частота обновления 120 Гц (можно поставить и 60 Гц для экономии аккумулятора), частота дискретизации сенсора аж 480 Гц (у обычных экранов 240 Гц).
Рамки у дисплея — очень маленькие.
Экран сам имеет эффективное олеофобное покрытие и покрыт защитной пленкой с олеофобным покрытием.
Дисплей очень яркий — от 900 до 1700 нит, на прямых солнечных лучах изображение очень хорошо различимо.
Отличные углы обзора, при сильных углах наклона белый цвет незначительно сереет.
В общем, дисплей просто отличный, производит отличное впечатление.
Важный момент по поводу скошенных краев экрана. Я сам ненавижу скошенные края экрана, они меня страшно раздражали в Huawei P30 Pro, который у меня какое-то время был основным смартфоном.
Здесь с этим все заметно лучше. Края скошены, да, но очень незначительно, и это почти не мешает и не раздражает.
Вот здесь я постарался показать, в чем отличие. Справа — P30 Pro, слева — данный смартфон. Видно, насколько у него меньше скошены края экрана.
Измерил мерцание при понижении яркости. 75% яркости — в норме, 5%. 50% яркости — уже не в норме, 43,9%. 25% яркости — не в норме, 42,5%. Но вообще за 50% мерцания не залезает. Встречаются смартфоны, у которых и по 150% мерцания бывает.
Но здесь в настройках есть режим подавления мерцания (редкость для Xiaomi). Включил, измерил на 25% яркости — мерцание получилось 21,2%, это фактически в норме (на 50% яркости — порядка 17%). То есть мерцание при необходимости можно снизить — для тех пользователей, которые к этому чувствительны.
Параметры экрана настраиваются в широких пределах.
Основные настройки и яркость.
Есть режим устранения мерцания (см. выше результаты) и режим чтения с расписанием.
Цветовая схема и цветовой тон.
Разрешение экрана и частота обновления. Если выставить разрешение WQHD+, то там можно включить опцию экономии энергии.
Специальная система визуализации с искусственным интеллектом. Что туда входит?
-
Увеличение разрешения видео (апскейлинг, как я понимаю).
-
Улучшение изображения (типа как работа ИИ с фото, но тут с видео: определили сцену, включили подстройку).
-
Автоматический HDR для видео (увеличения динамического диапазона).
-
MEMC — добавление дополнительных кадров в видео для увеличения плавности.
Изменение размера текста.
Стиль центра управления и скрытие выреза.
Настройки активного экрана (режим постоянно включенного экрана — AOD).
Этот смартфон умеет показывать уведомления на экране блокировки красивыми цветовыми сигналами — вот здесь это настраивается.
Ну и показываю, как это выглядит.
Второй дисплей
Здесь, как я уже упоминал, есть второй OLED-дисплей, встроенный в блок камер. Сам дисплей — тот же самый, который установлен в фитнес-браслете Xiaomi Mi Smart Band 5.
Надо сказать, что идея установки дополнительного маленького дисплея в блок камер для вывода различной информации — она не новая. Такое решение было, например, у смартфона Meizu Pro 7 Plus, выпущенного в 2017 году.
Что выводится на данном дисплее у M1 11 Ultra?
Дата, время, заряд аккумулятора, уведомления.
Уровень заряда аккумулятора при зарядке.
Виджет управления плеером при запущенном плеере.
Ну и также на него можно вывести изображение с камеры, чтобы сделать селфи на основной модуль. Однако почему-то такое можно проделать только с режимом «Фото», но не с режимом «Портрет».
Изображение на второй дисплей выводится не постоянно: оно появляется по нажатии на дисплей и через заданное в настройках число секунд выключается. Также через настройки вы можете задать вывод на этот дисплей какого-то изображения, надписи и так далее.
Причем замечу, что с этим дисплеем все сделано достаточно криво. Потому что, например, если у вас на смартфоне запущен плеер, но он не играет, то на дисплей все равно выводится виджет плеера, причем вот в таком странном виде, и убрать его можно, только принудительно выгрузив плеер из памяти.
Ну и замечу, что, по сути, этот дисплей совершенно бесполезен. Здесь же есть режим постоянно включенного экрана, то есть у вас на дисплей выводится нужная информация, так что никто не будет поворачивать смартфон и нажимать на этот крохотный дисплей, чтобы увидеть время и дату.
А уж для селфи его использовать также практически бесполезно. Во-первых, потому что он делает селфи только в режиме «Фото», а не «Портрет», а во-вторых, потому что вы попробуйте нажать на кнопку съемки, держа смартфон к себе задней крышкой, попробуйте! Я вас уверяю, что это нетривиальная задача. Кроме того, если вы при этом другим пальцем как-то касаетесь дисплея, то кнопка съемки просто не нажмется, даже если вы ухитритесь по ней попасть. (Но, впрочем, конечно, можно назначить съемку на кнопки регулировки громкости, и тогда задача сильно упрощается.)
Так что этот второй дисплей — чисто маркетологическая история, практического смысла в нем нет никакого.
И в компании Meizu это поняли еще в 2017 году, потому что после одного такого эксперимента больше его не повторяли. Зато Xiaomi сподобились повторить это в 2021 году.
Управление и жесты
Стандартные варианты управления для MIUI: экранные кнопки и жесты. Можно включить сенсорный помощник.
Продвинутые функции.
Работа устройства
Android 11, оболочка MIUI 12.
Центр управления и настройки пиктограмм в нем.
Телефонное приложение
Входящий звонок и режим разговора. Записи разговоров нет. (Это, вообще, зависит от региона, в который поставляется смартфон.)
В одном обзоре, сделанном по смартфону с предрелизной прошивкой, жаловались на громкость при разговоре — мол, плохая слышимость собеседника.
У меня ничего подобного не наблюдалось: собеседников было слышно хорошо, меня тоже слышали отлично.
Отдельно в хвост и гриву тестировал работу датчика приближения — я знаю, что у Xiaomi на этот датчик иногда жалуются: говорят, что он то не отключает экран во время разговора со всеми вытекающими, то не слишком быстро его включает после выключения. (Замечу, что ни на одном своем смартфоне Xiaomi я такого не наблюдал, также на смартфоне жены Xiaomi Mi Note 10 тоже никаких подобных проблем не наблюдается.)
Протестировал несколько десятков раз. Когда на экране во время разговора открыто телефонное приложение — датчик срабатывает совершенно железно, у меня не было ни одного сбоя. При поднесении смартфона к уху — выключает экран, когда смартфон от уха убираешь — включает. Причем работает четко во всех положениях: смартфон держал вертикально, горизонтально, вверх ногами, отклонял на какой-то угол от уха, прижимал плечом — железно работает.
Однако если во время разговора смахнуть приложение в фон, а на экран вывести десктоп или какое-то другое приложение, то вот тут уже датчик срабатывал несколько медленнее (например, не мгновенно выключал экран при поднесении к уху), а один раз я все-таки добился того, что экран как-то включился во время разговора и выключился, только когда я отставил смартфон в сторону и потом снова поднес его к уху. Но повторить это я не смог: все остальные разы экран нормально выключался.
Аудио
За звук отвечают два стереодинамика, настроенные в сотрудничестве с компанией Harman Kardon. И звучат они отлично — чисто, громко, выдают очень приличный для таких крошек диапазон, причем тут даже какие-то легкие басы присутствуют. Смартфон с этими динамиками спокойно заменяет беспроводную колонку и может проигрывать музыку для целой компании.
В настройках можно включать звук от Harman Kardon (это относится только к динамикам), и это вполне благотворно влияет на качество, также мне очень понравилось, как отрабатывается регулировка звука под различные наушники — таким образом также можно заметно улучшить звучание используемых вами «ушей».
Есть простенький редактор, позволяющий, например, вырезать кусок дорожки под рингтон, и эквалайзер.
Тест звучания в наушниках. Сначала без регулировки звука под наушники, потом с включенной регулировкой.
Наушники-затычки KZ ZAX — очень хорошо: очень чистые, четкие и детальные средние и высокие. Есть еле заметные басы. Включил регулировку, попробовал разные варианты — больше всего понравился вариант Mi Headphones: при этом чуть добавились басы, средние слегка пригладились, высокие стали совсем яркие и звенящие, звучание стало интереснее.
Полноразмерные наушники 32-омные Beyerdynamic DT 770 Pro в режиме без регулировки: басы достаточно яркие, но им явно не хватает детальности, середина провалена, высокие тоже глуховаты. Отмечу также явно недостаточный уровень максимальной громкости — ну не «прокачивает» этот смартфон данные наушники, хотя у наушников импеданс — всего 32 ома. (И такая картина с этими наушниками встречалась у большинства смартфонов Xiaomi.) В режиме регулировки под Mi Headphones басы слегка приглушаются и становятся не такими гулкими, немного приподнимаются средние, а высокие становятся более детальными. Так слушать уже более или менее можно.
Для проверки беспроводного звучания подключил наушники Mpow S10 Pro. Подключились по AAC. Качество отличное: очень чистенько и детально, высокие — классные, средние — яркие и объемные, басы также слегка проклевываются. И здесь отличный запас по громкости.
Игры
Игры ожидаемо идут быстро и шустро на максимальных настройках качества. Я попробовал разные игры, включая достаточно тяжелые, чтобы посмотреть, не будет ли смартфон перегреваться. Определенный нагрев наблюдался, но он совершенно точно не был критическим. Но, впрочем, понятно, что часами я на нем игры не гонял, у меня не было для этого времени.
Genshin Impact — все отлично на максимальных настройках.
Call of duty на максималках — прям даже увлекся и потратил, наверное, полчаса.
Need for speed most wanted — отлично.
Asphalt 8 — все отлично.
Ну и танки с максимальным качеством и HD-текстурами — ниже 60 fps не опускалось даже в самые критические моменты боя.
А что же, вы спросите, Asphalt 9, на котором ты обычно проверяешь смартфоны?
Так вот, с Asphalt 9 здесь выяснилась конкретная засада. И я так и не понял, с чем это вообще было связано. Я что только ни делал: отключал «Ускорение игр», переключал управление на экранные клавиши, удалял и заново инсталлировал — ничего не помогло.
А глюк там был следующий. В игре на максимальных настройках все идет отлично — быстро, шустро, качественно. И просто в процессе игры в какой-то момент все зависает, причем или просто зависает и надо тогда нажать на кнопку «Возврат», чтобы на экране появилось меню с кнопкой «Продолжить», или же после самопроизвольной остановки меню само появляется, как будто я нажал на кнопку «Возврат» (а я ее, разумеется, не нажимал, я орудовал обычными клавишами управления). Когда-то это проявлялось чаще (пять-шесть раз за гонку), когда-то реже (один-два раза за гонку), но проявлялось всегда. И доставало, разумеется, безмерно.
Вот как это выглядит.
Я специально потом поставил штук пять автомобильных гонок, включая те же предыдущие Asphalt, — там ничего похожего не наблюдалось, равно как и в других играх. И только в Asphalt 9 такая засада. С чем это связано, не знаю. Может быть, с повышенной чувствительностью сенсора. Также не очень понятно, исправится эта ситуация или нет, — может быть, с новым обновлением системы этот глюк пропадет. Ну и я не знаю, это общий глюк этой модели или особенность конкретного экземпляра.
Я почитал других обозревателей — может, кто-то об этом упомянет, но обзоров пока очень мало, смартфон только появился, да и имеющиеся обзоры в основном из серии «первый взгляд и последний крик».
Вот такая здесь ситуация. Но не упомянуть об этом я, конечно, не мог.
Определение координат
Холодный старт — 4 секунды, далее стартует мгновенно. Координаты определяет отлично.
Камера
Подбираемся к самому интересному.
Стандартный интерфейс камер Xiaomi. Сверху основные настройки и меню, внизу можно переключаться между тремя камерами, а также использовать гибридный зум — там разметили аж до 120x (видимо, чтобы переплюнуть Samsung с их 100x), но прекрасно понятно, что максимум 10x даст хоть сколько-нибудь приемлемое качество, да и то…
В нижней линейке переключение между основными режимами.
Меню справа сверху — настройки, на правом скриншоте дополнительные возможности из раздела «Еще».
Настройки камеры.
Видео можно снимать на любую из трех камер. Пиктограмма стабилизации имеет три режима: обычная стабилизация (вплоть до 8К), продвинутая и профессиональная (эти две — только Full HD 30 fps). Чем последние две отличаются — я так и не понял.
Дополнительные настройки и общие настройки камеры.
А теперь смотрим примеры фото и видео. Их будет много: мне нужно было понять (и показать), как смартфон снимает разными камерами в разных условиях. Также здесь будет несколько сравнений с другими смартфонами.
Сверхширик.
Телевик.
Сверхширик.
Давайте у предыдущего фото глянем на края — несколько большие искажения (здесь как раз полно мелких деталей).
Левый край.
Правый край.
Ну что, просто отлично, искажений практически нет. Резкость чуть-чуть подплывает по краям, но это небо и земля по сравнению с другими сверхшириками в смартфонах.
Телевик. Тоже отличное качество.
Телевик.
Десятикратный гибридный зум. Для веба сойдет, но дальше 10х заходить смысла нет.
Раскрытая диафрагма, попробовал навести на дальнюю пальму, чтобы размыло передний план, а он очень сложный — мелкие ветки. Отработало, понятное дело, не идеально, но терпимо для данного случая.
Приблизим телевиком кораблик.
Самолет телевиком.
Телевик.
Десятикратный гибридный зум.
Сверхширик.
Телевик.
Вид на Калейю с холма.
Телевик.
Поснимал в «Садах Клотильды».
Телевик.
Сверхширик.
Телевик.
Телевик.
Десятикратный гибридный зум.
Сверхширик.
Телевик.
Телевик.
Сумерки и ночь.
Телевик.
Телевик.
Телевик. Для ночи — просто класс!
И сравните со следующим кадром — на нем, судя по всему, шумодав почему-то не отработал.
Сверхширик.
Телевик.
Сверхширик. Прям хорошо. А это глубокая ночь.
Телевик. Тоже здорово.
Еще телевик.
Вот это совсем интересный кадр. Горят только малюсенький светодиодик на принтере да огоньки на роутере и свитче. Я думал, что вообще ничего не получится. Ан нет! И с таким освещением камера ухитрилась что-то снять.
Как раз было полнолуние.
Теперь сравним с 50-мегапиксельным режимом — повышенной детализацией.
Обычный режим.
50-мегапиксельный.
Кроп с первого кадра.
Кроп со второго кадра. Детализация получше, но существенной разницы я не вижу. У первого кадра детализация тоже очень хорошая.
В режиме макро.
И несколько селфи.
Селфи-камера.
Селфи на основной модуль.
Остальное все на селфи.
Прежде чем мы перейдем к видео, я хочу сделать сравнение камер данного смартфона с камерами суперфлагмана весны 2019 года Huawei P30 Pro, у которого похожий набор камер. Мне нужно понять, насколько видна (или не видна) существенная разница.
Mi.
P30.
Да, разница видна даже и без кропов, если сравнивать оригиналы.
Кропы, Mi.
P30.
Теперь сверхширики.
Mi (у него угол больше, чем у P30).
P30.
Сверхширик P30 заметно налажал с цветами. Ну и давайте кропы с правого края посмотрим.
Mi.
P30.
Телевики.
Mi.
P30.
Кропы из центра, Mi.
P30.
Ну, в общем, по всем трем камерам преимущества Xiaomi Mi 11 Ultra хорошо видны, а насколько они существенны — это каждый пользователь для себя решает сам.
Теперь давайте разбираться с видео. (Тоже уберу под спойлер.)
FHD в статике.
Какие выводы? Камеры, конечно, убойные. Основной модуль выдает отличные результаты практически в любых окружающих условиях. Сверхширик и телевик — прямо-таки совершенно полноценные модули (но там и матрицы стоят соответствующие — как основные фотосенсоры многих среднебюджетных смартфонов), дающие очень качественные изображения, причем и ночью в том числе.
Видео тоже впечатлило: 4K и с 60 fps отлично стабилизируется, причем стабилизация по качеству заметно обгоняет стабилизации Huawei P30 Pro и ASUS Zenfone 7 Pro.
Ну и, в общем, похоже, что это лучший комплект камер в смартфоне на рынке.
Безопасность
Сканер отпечатка пальца, расположенный под экраном, работает быстро и четко — почти так же быстро, как сканер на кнопке питания или на задней крышке.
Распознавание по лицу работает очень быстро и четко, причем здесь, конечно же, есть режим определения лица по срабатывании датчика движения смартфона, то есть вы просто берете смартфон со стола и распознавание срабатывает. В затемненных очках срабатывает нормально, при очень плохом освещении тоже срабатывает нормально, однако в полной темноте почти не срабатывает (как и у многих других смартфонов Xiaomi), и я не понимаю, почему в Xiaomi с этим ничего не хотят сделать. Впрочем, пару раз в полной темноте все-таки сработало, но это скорее исключение из правил.
Системные данные и быстродействие
Данные по CPU-Z.
Тест AnTuTu и рейтинговая таблица.
Тест PCMark.
Стресс-тест AnTuTu. Батарея заметно нагрелась, но 50 градусов нагрев не превысил.
Тест Wild Life.
Тест на потерю производительности при нагрузке. Все прилично, производительность в среднем может падать на 15 процентов — это вполне терпимо.
Тест памяти.
Время автономной работы
Аккумулятор здесь 5000 мА·ч, но и самая мощная на рынке платформа.
Тесты я проводил при частоте обновлении экрана 60 Гц и при разрешении FHD+.
Интернет. Яркость выставлена на комфортные 70%, включены беспроводные сети, в браузере каждые 30 секунд обновляется страница. Получилось 15 часов 20 минут — негусто, но ожидаемо.
Видео. Отключены беспроводные виды связи, яркость плеера выставлена на комфортные 70%, в MX Player крутится в цикле ролик сериала DVD-разрешения. Порядка 17 часов — нормально.
Синтетический тест PCMark — важный показатель. 12 часов — это означает, что смартфон даже при серьезной и разнообразной нагрузке (понятное дело, речь не идет о 3D-игре в течение нескольких часов) полный день должен нормально продержаться.
Что тут с чисто практическими результатами автономности при моих обычных сценариях использования? Полных два дня смартфон, конечно, не живет. Если поставить разрешение FHD+ и частоту обновления 60 Гц, то он живет где-то порядка полутора суток. До вечера второго дня уже не доживает.
Если выставить WQHD+ и частоту 120 Гц, то это где-то на 25% уменьшает его автономность, так что полный день до ночи он живет, но ночью уже в любом случае нужно его ставить на зарядку.
В общем-то, для такой платформы и таких характеристик это нормально.
Кстати, скажу пару слов об установленном здесь аккумуляторе — он непростой. На презентации представитель компании особенно подчеркнул, что здесь при создании аккумулятора руководствовались технологиями, которые сейчас используются в аккумуляторах электромобилей. В основе анода аккумуляторной ячейки здесь содержится оксид кремния. Это позволяет делать аккумулятор более компактным и тонким, при этом емкость и скорость зарядки остаются на высоком уровне.
По поводу зарядки. Насколько я помню, Xiaomi Mi 10 Ultra (я его не тестировал) поддерживал зарядку аж в 120 ватт (по крайней мере, так было заявлено). Здесь поддерживается зарядка 67 ватт, соответствующий адаптер входит в комплект. Производитель утверждает, что с нуля до 100% этот смартфон зарядится всего за 36 минут.
Я это, конечно же, проверил.
Смартфон действительно заряжается с очень высокой скоростью. От комплектного адаптера и комплектного провода он за 12 минут набрал 50% емкости, за 25 минут 80% емкости, ну и прямо-таки на 36-й минуте было уже 100% — именно так, как обещал производитель (такие обещания обычно редко сбываются).
На контроллере самого смартфона ток был аж за 6 ампер! При этом смартфон нагревался очень несильно.
Кстати, проверил — совершенно необязательно использовать только комплектный адаптер: от моего 100-ваттного GaN-адаптера Baseus с обычным качественным проводом этот смартфон заряжался с абсолютно такой же скоростью и тоже полностью зарядился за 36 минут, что очень круто.
Это самый быстрозаряжаемый смартфон из всех, что у меня были на тестах.
Наблюдения при работе и выводы
Приобретая данный смартфон для изучения, я, конечно, боялся, что и за такие-то деньги у него окажутся какие-то компромиссы, все-таки Xiaomi на рынке суперфлагманов совсем недавно, и это не Samsung и не Huawei, которые на данный рынок вышли значительно раньше.
Однако он меня вообще ни в чем не разочаровал. По всем статьям это один из самых продвинутых смартфонов на рынке, а уж по камерам — наверное, самый продвинутый. И эта разница для меня действительно видна: и основной модуль имеет совершенно поразительные характеристики и, что важно, это отражается на фото и видео, которые он делает, и две другие камеры, сверхширик и телевик, — они прям совершенно полноценные, чего раньше я не встречал.
Претензии к относительно скромной (по нынешним стандартам) автономности я бы предъявлять не стал: этот смартфон — не про автономность. Он про мощь и возможности! А тут уж приходится некоторым образом все-таки жертвовать автономностью.
Однако полный рабочий день под хорошей нагрузкой смартфон живет? Да, живет. А что, спрашивается, еще надо, уж смартфон-то я всегда ставлю заряжаться на ночь? (С умными часами это делать сложнее, мне умные часы нужны на руке во время сна.)
Что тут явно избыточно, за что не хотелось бы платить лишние деньги? Второй дисплей — совершенно не нужен. Впрочем, понятно, что это прикольная маркетинговая фишка и что цену смартфона он увеличивает несильно (я думаю, что максимум где-то на €40-50, что, учитывая его стоимость, капля в море): разработчикам явно нужно было воткнуть еще что-то в фотомодуль, который нужно было разместить на всю ширину задней крышки, вот они и нашли, что туда воткнуть.
Явно избыточным выглядит разрешение WQHD+ (3200×1440 пикселов), которое чисто визуально на таком экране вы не отличите от FHD+ (2400×1080). А ведь за это приходится платить, а потом отключать, потому что такое разрешение заметно подъедает аккумулятор.
По поводу частоты обновления в 120 Гц я ничего говорить не буду: для меня оно никакого смысла не имеет, я не вижу разницы с 60 Гц, однако предполагаю, что есть какой-то небольшой процент пользователей, которые эту разницу видят (или они себя убедили в том, что они ее видят).
Что в итоге? Смартфон очень понравился, он действительно отличный и бескомпромиссный: Xiaomi доказали, что они могут достаточно успешно конкурировать на поле суперфлагманов.
Конечно, если бы они сумели его удешевить где-нибудь до €800 (первоначально столько стоили Huawei P30 Pro и ASUS Zenfone 7 Pro), то это было бы очень здорово, однако не будем забывать, что нынешний топовый Huawei Mate 40 Pro+ стоит и вовсе €1360 (и это без сервисов «Гугла»), а тут нельзя сказать, что Xiaomi чем-то заметно уступает (по крайней мере, если судить по Huawei P40 Pro, потому что Mate 40 Pro я пока в руках не держал), поэтому цена не выглядит совсем безумной: это суперфлагман с применением самых новейших технологий и он действительно реально крутой.
Буду ли я его себе оставлять в качестве основного смартфона? Желание такое совершенно точно есть. Но жаба пока душит. Короче говоря, «я пока нахожусь в состоянии раздумья», как говорят испанцы.
Сравнение эффективности моделей CSM-CERES-Maize и EPIC с использованием данных испытаний сортов кукурузы
https://doi.org/10.1016/j.agsy.2016.10.006Получение прав и контентаОсновные моменты
- •
Местные экспериментальные данные важны для оценки имитационных моделей сельскохозяйственных культур.
- •
Данные испытаний сортов в масштабе штата могут сыграть важную роль для оценки модели.
- •
В этом исследовании оценивались модели CSM-CERES-Maize и EPIC для гибридного ответа.
- •
Были определены генетические коэффициенты для семи существующих гибридов кукурузы.
- •
Производительность модели варьировалась от 3 до 8% для CSM-CERES-Maize и от 2 до 23% для EPIC.
Реферат
В настоящее время в исследованиях воздействия изменения климата используются модели нескольких культур. Однако калибровка этих моделей с местными данными по-прежнему важна, но часто эта информация недоступна. Это исследование определило возможность использования данных испытаний сортов кукурузы для оценки моделей CSM-CERES-Maize и EPIC.Модели были откалиброваны с использованием наблюдаемой урожайности зерна в результате сортоиспытаний, проведенных в Блэрсвилле, Калхауне, Гриффине, Мидвилле, Плейнсе и Тифтоне, Джорджия, США. Программа GenCALC использовалась для калибровки коэффициентов составляющих урожайности CSM-CERES-Maize, в то время как коэффициенты для EPIC были скорректированы вручную. Критерии оценки эффективности двух моделей сельскохозяйственных культур включали наклон линейной регрессии, R 2 , d-stat и RMSE. После калибровки и оценки модели обе модели использовались для моделирования урожайности неорошаемого и орошаемого зерна в период с 1958 по 2012 год для тех же шести участков, которые использовались для оценки модели.Различия между моделированием CSM-CERES-Maize и наблюдениями составляли не более 3% для калибровки и не более 8% для оценки. Однако различия между симуляциями EPIC и наблюдениями составляли от 2% до 23% для калибровки и оценки, что было больше, чем для модели CSM-CERES-Maize. Этот анализ показал, что калибровка CSM-CERES-Maize была немного лучше, чем EPIC для некоторых сортов. Хотя в этом исследовании для калибровки и оценки использовался только наблюдаемый урожай зерна, результаты показали, что обе калиброванные модели могут обеспечить довольно точное моделирование.Таким образом, можно сделать вывод, что ограниченные наборы данных испытаний сортов кукурузы могут быть использованы для калибровки модели, когда подробные данные исследований по анализу роста недоступны.
Ключевые слова
Выход
Калибровка
Оценка
Изменение климата
Система поддержки принятия решений
Рекомендуемые статьиЦитирующие статьи (0)
Полный текст© 2016 Elsevier Ltd. Все права защищены.
Рекомендуемые статьи
Ссылки на статьи
Вопросы полной параметризации для достижения наилучших характеристик моделей сельскохозяйственных культур: сравнение простой и подробной модели кукурузы
Adam, M., ван Бассель, Л. Г. Дж., Леффелаар, П. А., ван Кеулен, Х., и Эверт, Ф. (2011). Влияние деталей моделирования на смоделированные потенциальные урожаи сельскохозяйственных культур в широком диапазоне климатических условий. Экологическое моделирование, 222 , 131–143.
Google ученый
Asseng, S., Ewert, F., Rosenzweig, C., Jones, J. W., Hatfield, J. L., Ruane, A.C, et al. (2013). Неопределенность в моделировании урожайности пшеницы в условиях изменения климата. Nature Climate Change, 3 (9), 827–832.
CAS Google ученый
Bassu, S., Brisson, N., Durand, J.-L., Boote, K., Lizaso, J., Jones, J. W., et al. (2014). Как разные модели культур кукурузы различаются по своей реакции на факторы изменения климата? Global Change Biology, 20 (7), 2301–2320.
PubMed Google ученый
Баттисти, Р., Сентелхас, П. К., и Бут, К. Дж. (2017). Сопоставление производительности имитационных моделей посевов сои и их ансамбля на юге Бразилии. Field Crop Research, 200 , 28–37.
Google ученый
Белл М.А. и Фишер Р.А. (1994). Использование моделей прогнозирования урожайности для оценки прироста урожайности: пример для пшеницы. Field Crop Research, 36 , 161–166.
Google ученый
BMLFUW.(2017). Richtlinie für die sachgerechte Düngung im Ackerbau und Grünland Bundesministerium für Land- und Forstwirtschaft . Вена: Umwelt und Wasserwirtschaft.
Google ученый
Chenu, K., van Oosterom, E.J., McLean, G., Deifel, K. S., Fletcher, A., Geetika, G., et al. (2018). Объединение подходов к моделированию и фенотипированию для выявления и скрининга сложных признаков: эффективность транспирации зерновых. Журнал экспериментальной ботаники, 69 (13), 3181–3194.
CAS PubMed Google ученый
Конфалониери, Р., Брегальо, С., и Акутис, М. (2016). Количественная оценка неопределенности прогнозов модели сельскохозяйственных культур из-за неопределенности наблюдений, используемых для калибровки. Экологическое моделирование, 328 , 72–77.
Google ученый
Дэлглиш Н. П. и Фоул М. А. (1998). Почва имеет значение: Мониторинг почвенной воды и азота в системах сельскохозяйственного производства в засушливых районах. Группа исследований (стр.122). Тувумба: CSIRO.
Google ученый
Далла Марта, А., Эйтзингер, Дж., Керсебаум, К. К., Тодорович, М., и Альтобелли, Ф. (2018). Оценка и мониторинг использования воды и продуктивности сельскохозяйственных культур в ответ на изменение климата. Журнал сельскохозяйственных наук, 156 (5), 575–576.
Google ученый
Девкота, К. П., Маншади, А.М., Девкота М., Ламерс Дж. П. А., Рузибаев Э., Эгамбердиев О. и др. (2013). Моделирование воздействия изменения климата на фенологию риса и урожайность зерна на орошаемых засушливых землях Центральной Азии. Журнал прикладной метеорологии и климатологии, 52 , 2033–2050.
Google ученый
Эбрахими, Э., Маншади, А. М., Нойгшвандтнер, Р. В., Эйтзингер, Дж., Талер, С., и Каул, Х.-П. (2016). Оценка воздействия изменения климата на управление посевами озимой пшеницы: тематическое исследование для Восточной Австрии. Журнал сельскохозяйственных наук, 154 (7), 1153–1170.
Google ученый
Eitzinger, J., Thaler, S., Schmid, E., Strauss, F., Ferrise, R., Moriondo, M., et al. (2013b). Чувствительность моделей сельскохозяйственных культур к экстремальным погодным условиям в период цветения, продемонстрированная для кукурузы и озимой пшеницы в Австрии. Журнал сельскохозяйственных наук, 151 , 813–835.
Google ученый
Эйтзингер, Дж., Trnka, M., Semerádo, D., Thaler, S., Svobodová, E., Hlavinka, P., et al. (2013a). Региональное изменение климата влияет на производство сельскохозяйственных культур 33 в Центральной и Восточной Европе: горячие точки, региональные различия и 34 общие тенденции. Журнал сельскохозяйственных наук, 151 (6), 787–812.
Google ученый
Эверт, Ф., Рёттер, Р. П., Бинди, М., Уэббер, Х., Трнка, М., Керсебаум, К. К. и др. (2015). Моделирование сельскохозяйственных культур для комплексной оценки риска для производства продуктов питания в результате изменения климата. Экологическое моделирование и программное обеспечение, 72 , 287–303.
Google ученый
Ганем, М. Э., Марроу, Х., Бирадар, К., и Синклер, Т. Р. (2015). Производственный потенциал чечевицы ( Lens culinaris Medik.) В Восточной Африке. Сельскохозяйственные системы, 137 , 24–38.
Google ученый
Гобин А., Керсебаум К.C., Eitzinger, J., Trnka, M., Hlavinka, P., Takac, J., et al. (2017). Изменчивость водного следа производства сельскохозяйственных культур в европейских регионах. Вода, 9 (2), 1-22.
Google ученый
Goudriaan, J. (1996). Прогнозирование урожайности в условиях глобальных изменений. В B.H. Walker & W. Steffen (Eds.), Global change and наземные экосистемы . Кембридж: Издательство Кембриджского университета.
Google ученый
Грассини, П., van Bussel, L.G.J., van Warta, J., Wolf, J., Claessens, L., Yanga, H., et al. (2015). Насколько хорошо достаточно хорошо? Требования к данным для надежного моделирования урожайности и анализа разницы в урожайности. Исследование полевых культур, 177 , 49–63.
Google ученый
Хаммер, Г., Мессина, К., Ву, А., и Купер, М. (2019). Биологическая реальность и экономия в моделях сельскохозяйственных культур — зачем нам и то, и другое в улучшении урожая! Завод по производству силикона .https://doi.org/10.1093/insilicoplants/diz010.
Артикул Google ученый
Хаммер, Г. Л., ван Остером, Э., Маклин, Г., Чепмен, С. К., Брод, И., Харланд, П. и др. (2010). Адаптация APSIM для моделирования физиологии и генетики сложных адаптивных признаков полевых культур. Журнал экспериментальной ботаники, 61 (8), 2185–2202.
CAS PubMed Google ученый
Он, Д., Ван, Э., Ван, Дж., И Робертсон, М. Дж. (2017). Требования к данным для эффективной калибровки моделей культур, основанных на процессах. Сельскохозяйственная и лесная метеорология, 234–235 , 136–148.
Google ученый
Hochman, Z., Rees, H., Carberry, P. S., Hunt, J. R., McCown, R.L., Gartmann, A., et al. (2009). Переосмысление поддержки принятия решений на основе моделей с австралийскими фермерами на засушливых землях. 4. Yield Prophet ® помогает фермерам контролировать посевы и управлять ими в изменчивом климате. Crop & Pasture Science, 60 , 1057–1070.
Google ученый
Holzworth, D. P., Huth, N. I., deVoil, P. G., Zurcher, E. J., Herrmann, N. I., McLean, G., et al. (2014). APSIM: Эволюция к новому поколению моделирования сельскохозяйственных систем. Экологическое моделирование и программное обеспечение, 62 , 327–350.
Google ученый
Хут, Н.И., Торберн, П. Дж., Рэдфорд, Б. Дж., И Торнтон, К. М. (2010). Воздействие удобрений и бобовых на выбросы N 2 O и CO 2 из почв в субтропических сельскохозяйственных системах: имитационное исследование. Сельское хозяйство, экосистемы и окружающая среда, 136 (3–4), 351–357.
CAS Google ученый
Кинири Дж. Р. (1991). Стадия развития кукурузы. В Дж. Хэнксе и Дж. Т. Ричи (ред.), Моделирование растительных и почвенных систем (Глава 4) (стр. 55–70). Мэдисон: Американское агрономическое общество.
Google ученый
Knutti, R., & Sedlácek, J. (2013). Надежность и неопределенность прогнозов новой климатической модели CMIP5. Nature Climate Change, 3 , 369–373.
Google ученый
Лобелл, Д. Б., Хаммер, Г.Л., Чену, К., Чжэн, Б., Маклин, Г., и Чепмен, С. К. (2015). Изменяющееся влияние засухи и теплового стресса на посевы в Северо-Восточной Австралии. Global Change Biology, 21 , 4115–4127.
PubMed Google ученый
Маншади, А. М., Кристофер, Дж., ДеВойл, П., и Хаммер, Г. Л. (2006). Роль архитектурных особенностей корня в адаптации пшеницы к условиям ограниченной воды. Функциональная биология растений, 33 , 823–837.
CAS PubMed Google ученый
Маншади, А. М., Кауль, Х.-К., Фоллманн, Дж., Эйтцингер, Дж., И Венцель, В. (2014). Выведение сортов сельскохозяйственных культур, эффективных по содержанию фосфора — междисциплинарная исследовательская структура. Исследование полевых культур, 162 , 87–98.
Google ученый
Мейер, У. (2001). Стадии роста однодольных и двудольных растений: BBCH Monography (2-е изд.). Бонн: Федеральный биологический исследовательский центр сельского и лесного хозяйства.
Google ученый
Мессина, К. Д., Синклер, Т. Р., Хаммер, Г. Л., Куран, Д., Томпсон, Дж., Олер, З. и др. (2015). Признак ограниченной транспирации может повысить засухоустойчивость кукурузы в кукурузном поясе США. Agronomy Journal, 107 (6), 1978–1986.
CAS Google ученый
Мёллер, К., Пала, М., Маншади, А.М., Мейнке, Х., и Зауэрборн, Дж. (2007). Оценка устойчивости систем земледелия на основе пшеницы с использованием APSIM: параметризация и оценка модели. Австралийский журнал сельскохозяйственных исследований, 58 , 75–86.
Google ученый
Moeller, C., Sauerborn, J., de Voil, P., Manschadi, A.M, Pala, M., & Meinke, H. (2013). Оценка устойчивости систем земледелия на основе пшеницы с использованием имитационного моделирования: устойчивость = 42? Sustainability Science, 9 (1), 1–16.
Google ученый
Палосуо Т., Керсебаум К. К., Ангуло К., Хлавинка П., Миршель В., Мориондо М. и др. (2011). Моделирование урожайности озимой пшеницы и изменчивости урожайности в различных климатических условиях Европы: сравнение восьми моделей роста сельскохозяйственных культур. Европейский журнал агрономии, 35 , 103–114.
Google ученый
Розенцвейг, К., Elliott, J., Deryng, D., Ruane, A.C., Muller, C., Arneth, A., et al. (2014). Оценка сельскохозяйственных рисков изменения климата в XXI веке с помощью глобального взаимного сравнения моделей сельскохозяйственных культур. Proceedings of the National Academy of Sciences of the United States of America, 111 , 3268–3273.
CAS PubMed Google ученый
Рёттер Р. П., Картер Т. Р., Олесен Дж. Э. и Портер Дж. Р. (2011).Модели сельскохозяйственных культур и климата нуждаются в капитальном ремонте. Nature Climate Change, 1 , 175–177.
Google ученый
Рёттер Р. П., Палосуо Т., Керсебаум К. К., Ангуло К., Бинди М., Эверт Ф. и др. (2012). Моделирование урожайности ярового ячменя в различных климатических зонах Северной и Центральной Европы: сравнение девяти моделей культур. Field Crops Research Research, 133 , 23–36.
Google ученый
Сало, Т., Palosuo, T., Kersebaum, K., Nendel, C., Angulo, C., Ewert, F., et al. (2016). Сравнение эффективности 11 имитационных моделей сельскохозяйственных культур в прогнозировании реакции урожайности на азотные удобрения. Журнал сельскохозяйственных наук , 154 (7), 1218–1240.
Google ученый
SAS-Institute. (2008). SAS 92 Авторские права 2002–2008 . Кэри: SAS Institute Inc.
Google ученый
Зайдель, С.Дж., Палосуо, Т., Торберн, П., и Уоллах, Д. (2018). На пути к улучшенной калибровке моделей культур: где мы сейчас и куда нам идти? Европейский журнал агрономии, 94 , 25–35.
Google ученый
Синклер, Т. Р. (1986). Ограничения по воде и азоту в производстве зерна сои I. Разработка модели. Field Crops Research, 15 (2), 125–141.
Google ученый
Синклер, Т.Р. и Мучоу, Р. С. (1995). Влияние поступления азота на урожай кукурузы: I. Моделирование физиологических реакций. Agronomy Journal, 87 (4), 632–641.
Google ученый
Синклер, Т. Л., и Селигман, Г. (1996). Моделирование урожая: от младенчества до зрелости. Agronomy Journal, 88 (5), 698–704.
Google ученый
Синклер, Т.Р. и Селигман Н. (2000). Критерии публикации статей по моделированию сельскохозяйственных культур. Исследование полевых культур, 68 , 165–172.
Google ученый
Синклер, Т. Р., Солтани, А., Марроу, Х., Ганем, М., и Вадез, В. (2020). Геопространственная оценка для генетических и управленческих улучшений сельскохозяйственных культур. Наука о растениеводстве . https://doi.org/10.1002/csc2.20106.
Артикул Google ученый
Солтани, А., Мадда, В., и Синклер, Т. Р. (2013). SSM-Wheat: имитационная модель развития, роста и урожайности пшеницы. Международный журнал растениеводства, 7 (4), 711–740.
Google ученый
Солтани, А., и Синклер, Т. Р. (2012). Моделирование физиологии развития, роста и урожайности сельскохозяйственных культур . Уоллингфорд: КАБИ.
Google ученый
Солтани, А., & Синклер, Т. Р. (2015). Сравнение четырех моделей пшеницы на предмет устойчивости и прозрачности: Моделирование в умеренной, суб-влажной среде. Field Crops Research Research, 175 , 37–46.
Google ученый
Soufizadeh, S., Munaro, E., McLean, G., Massigna, E., van Oosterom, E.J., Chapman, S.C, et al. (2018). Моделирование динамики азота посевов кукурузы: улучшение модели кукурузы APSIM. Европейский журнал агрономии, 100 , 118–131.
CAS Google ученый
СтКлер, С. Б., & Линч, Дж. П. (2010). Открытие ящика Пандоры: изменение климата влияет на плодородие почвы и питание сельскохозяйственных культур в развивающихся странах. Plant and Soil, 335 , 101–115.
CAS Google ученый
Тан, Дж., Ван, Дж., Фанг, К., Ван, Э., Инь, Х., и Пан, X. (2018). Оптимизация даты посадки и дополнительного орошения картофеля в агро-пасторальном экотоне в Северном Китае. Европейский журнал агрономии, 98 , 82–94.
Google ученый
Tenorio, F. A. M., Eagle, A. J., McLellan, E. L., Cassman, K. G., Howard, R., Lower, F. E., et al. (2019). Оценка вариации концентрации азота в зернах кукурузы и ее значение для оценки азотного баланса в Северо-Центральном регионе США. Исследование полевых культур, 240 , 185–193.
Google ученый
Талер С., Эйтцингер Дж., Трнка М. и Дубровский М. (2012). Воздействие изменения климата и альтернативные варианты адаптации на урожай озимой пшеницы и продуктивность воды в засушливом климате Центральной Европы. Журнал сельскохозяйственных наук, 150 (05), 537–555.
CAS Google ученый
Ван дер Вельде, М., & Нисини, Л. (2018). Эффективность системы прогнозирования урожайности MARS для Европейского Союза: оценка точности, сезонных и ежегодных улучшений с 1993 по 2015 год. Сельскохозяйственные системы, 168 , 224–230.
Google ученый
Ван Иттерсум, М. К., Леффелаар, П. А., ван Кеулен, Х., Кропфф, М. Дж., Бастиаанс, Л., и Гоудриан, Дж. (2003). О подходах и применении модели посевов Вагенингена. Европейский журнал агрономии, 18 , 201–234.
Google ученый
ван Остером, Э. Дж., Боррелл, А. К., Чепмен, С. К., Брод, И. Дж., И Хаммер, Г. Л. (2010). Функциональная динамика азотного баланса сорго: потребность вегетативных частей растений. Исследование полевых культур , 115 , 19–28.
Google ученый
Валлах, Д., Buis, S., Lecharpentier, P., Bourges, J., Clastre, P., Launay, M., et al. (2011). Пакет методов оценки параметров и реализация для модели STICS культура-почва. Экологическое моделирование и программное обеспечение, 26 , 386–394.
Google ученый
Уайт, Дж. У., Хугенбум, Г., Кимбал, Б. А., и Уолл, Г. У. (2011). Методологии моделирования воздействия изменения климата на растениеводство. Field Crops Research Research, 124 , 357–368.
Google ученый
Ву А., Хаммер Г. Л., Доэрти А., фон Каммерер С. и Фаркуар Г. Д. (2019). Количественная оценка воздействия усиления фотосинтеза на урожайность сельскохозяйственных культур. Nature Plants, 5 , 380–388.
PubMed Google ученый
Чжао, К., Лю, Б., Сяо, Л., Хугенбум, Г., Боут, К. Дж., Кэсси, Б. Т. и др. (2019). ПРОСТАЯ модель урожая. Европейский журнал агрономии, 104 , 97–106.
Google ученый
Сравнение 29 моделей кукурузы — Experts @ Minnesota
TY — JOUR
T1 — Моделирование эвапотранспирации кукурузы
T2 — Сравнение 29 моделей кукурузы
AU — Kimball, Bruce A.
AU — Boote, Kenneth J.
AU — Hatfield, Jerry L.
AU — Ahuja, Laj R.
AU — Stockle, Claudio
AU — Archontoulis, Sotirios
AU — Baron, Christian
AU — Basso, Bruno
AU — Bertuzzi, Patrick
AU — Constantin, Julie
— Constantin, JulieAU — Dumont, Benjamin
AU — Durand, Jean Louis
AU — Ewert, Frank
AU — Gaiser, Thomas
AU — Gayler, Sebastian
AU — Hoffmann, Munir P.
AU — Jiang Цяньцзин
AU — Kim, Soo Hyung
AU — Lizaso, Jon
AU — Moulin, Sophie
AU — Nendel, Claas
AU — Parker, Philip
AU — Palosuo 9000, Tariscope
u Eckart
AU — Qi, Zhiming
AU — Srivastava, Amit
AU — Stella, Tommaso
AU — Tao, Fulu
AU — Thorp, Kelly R.
AU — Timlin, Dennis
AU — Twine, Tracy E.
AU — Webber, Heidi
AU — Willaume, Magali
AU — Williams, Karina
N1 — Информация о финансировании: Этот эксперимент был бы невозможен без преданности делу Кристиана Долда, Форреста Гудмана, Вольфганга Остеррайха, Лауры Ханс, Мишель Крайдер и нескольких студентов, которые помогали проводить измерения и обрабатывать наблюдаемые данные в то время. Часть этой работы была проведена AS и TG в рамках проекта BiomassWeb программы GlobeE (номер гранта: FKZ031A258B), финансируемого Федеральным министерством образования и исследований (BMBF, Германия).Вклад СА был поддержан грантом FFAR под названием «Улучшение моделирования динамики воды в почве и урожайности кукурузного пояса, США». MPH выражает признательность за поддержку проекту «Живые пейзажи Лимпопо» в рамках программы SPACES (номер гранта 01LL1304A), финансируемой Федеральным министерством образования и исследований Германии (http://www.bmbf.de/en/http://www.bmbf .de / en /). Авторские права издателя: © 2019
PY — 2019/6/15
Y1 — 2019/6/15
N2 — Урожайность сельскохозяйственных культур может зависеть от водопотребления сельскохозяйственных культур и наоборот, поэтому при попытке моделирования одного или другого это может быть Важно, чтобы оба были хорошо смоделированы.При предварительном взаимном сравнении моделей роста кукурузы прогнозы эвапотранспирации (ЭТ) широко варьировались, но данные о фактических ЭТ не были доступны для сравнения. Таким образом, данное последующее исследование было инициировано под эгидой AgMIP (Проект взаимного сравнения и улучшения сельскохозяйственных моделей). Наблюдения за суточной ЭТ с использованием метода вихревой ковариации из 8-летнего (2006–2013 гг.) Эксперимента, проведенного в Эймсе, штат Айова, были использованы в качестве стандарта для сравнения моделей. Здесь представлены результаты моделирования по 29 моделям.На первом «слепом» этапе, когда разработчикам моделей были предоставлены только информация о погоде, почвах, фенологии и управлении, оценки сезонного ET варьировались от примерно 200 до примерно 700 мм. Последующие три фазы предоставили (1) индексы площади листьев за все годы, (2) все дневные ЕТ и агрономические данные за типичный год (2011) и (3) все данные за все годы, что позволило разработчикам моделей постепенно откалибровать свои модели. по мере того, как была предоставлена дополнительная информация, диапазон оценок ET по-прежнему варьировался в два или более раза.Большая часть изменчивости моделей объясняется разными оценками потенциального суммарного испарения, что указывает на возможность существенного улучшения модели. Тем не менее, медианные значения ансамбля в целом были близки к наблюдениям, а медианы были лучшими (имели самые низкие среднеквадратические отклонения от наблюдений, MSD) для нескольких категорий ET для взаимного сравнения, но не для всех. Кроме того, медианы были наилучшими при одновременном рассмотрении как ET, так и агрономических параметров. Шесть лучших моделей с наименьшими значениями MSD были определены для нескольких категорий ET и агрономических категорий, и оказалось, что они сильно различаются по сложности, несмотря на схожую точность прогнозов.В то же время другие модели с явно похожими подходами не были такими точными. Широко используемые модели, как правило, работают лучше, поэтому мы предполагаем, что большее количество пользователей, тестирующих эти модели в более широком диапазоне условий, вероятно, привело к улучшению. Опыт пользователя и навыки калибровки и работы с недостающими входными данными, вероятно, также были фактором в определении точности прогнозов модели. В нескольких случаях использовались разные версии модели в одном и том же семействе моделей, и эти межсемейные сравнения выявили конкретные подходы, которые были лучше, в то время как другие факторы оставались неизменными.Таким образом, многие модели нуждаются в улучшении с точки зрения их способности моделировать ЭТ в широком диапазоне условий, и были определены несколько аспектов прогресса, особенно в их моделировании потенциального ЭП.
AB — Урожайность сельскохозяйственных культур может зависеть от использования воды растениями и наоборот, поэтому при моделировании одного или другого может быть важно, чтобы оба были хорошо смоделированы. При предварительном взаимном сравнении моделей роста кукурузы прогнозы эвапотранспирации (ЭТ) широко варьировались, но данные о фактических ЭТ не были доступны для сравнения.Таким образом, данное последующее исследование было инициировано под эгидой AgMIP (Проект взаимного сравнения и улучшения сельскохозяйственных моделей). Наблюдения за суточной ЭТ с использованием метода вихревой ковариации из 8-летнего (2006–2013 гг.) Эксперимента, проведенного в Эймсе, штат Айова, были использованы в качестве стандарта для сравнения моделей. Здесь представлены результаты моделирования по 29 моделям. На первом «слепом» этапе, когда разработчикам моделей были предоставлены только информация о погоде, почвах, фенологии и управлении, оценки сезонного ET варьировались от примерно 200 до примерно 700 мм.Последующие три фазы предоставили (1) индексы площади листьев за все годы, (2) все дневные ЕТ и агрономические данные за типичный год (2011) и (3) все данные за все годы, что позволило разработчикам моделей постепенно откалибровать свои модели. по мере того, как была предоставлена дополнительная информация, диапазон оценок ET по-прежнему варьировался в два или более раза. Большая часть изменчивости моделей объясняется разными оценками потенциального суммарного испарения, что указывает на возможность существенного улучшения модели.Тем не менее, медианные значения ансамбля в целом были близки к наблюдениям, а медианы были лучшими (имели самые низкие среднеквадратические отклонения от наблюдений, MSD) для нескольких категорий ET для взаимного сравнения, но не для всех. Кроме того, медианы были наилучшими при одновременном рассмотрении как ET, так и агрономических параметров. Шесть лучших моделей с наименьшими значениями MSD были определены для нескольких категорий ET и агрономических категорий, и оказалось, что они сильно различаются по сложности, несмотря на схожую точность прогнозов.В то же время другие модели с явно похожими подходами не были такими точными. Широко используемые модели, как правило, работают лучше, поэтому мы предполагаем, что большее количество пользователей, тестирующих эти модели в более широком диапазоне условий, вероятно, привело к улучшению. Опыт пользователя и навыки калибровки и работы с недостающими входными данными, вероятно, также были фактором в определении точности прогнозов модели. В нескольких случаях использовались разные версии модели в одном и том же семействе моделей, и эти межсемейные сравнения выявили конкретные подходы, которые были лучше, в то время как другие факторы оставались неизменными.Таким образом, многие модели нуждаются в улучшении с точки зрения их способности моделировать ЭТ в широком диапазоне условий, и были определены несколько аспектов прогресса, особенно в их моделировании потенциального ЭП.
кВт — испарение
кВт — кукуруза
кВт — модель
кВт — моделирование
кВт — водопотребление
кВт — урожай
UR — http://www.scopus.com/inward/record.url ? scp = 85063037951 & partnerID = 8YFLogxK
UR — http: // www.scopus.com/inward/citedby.url?scp=85063037951&partnerID=8YFLogxK
U2 — 10.1016 / j.agrformet.2019.02.037
DO — 10.1016 / j.agrformet.2019.02.037
M3 — Артикул
SCOPUS: 85063037951
VL — 271
SP — 264
EP — 284
JO — Сельскохозяйственная и лесная метеорология
JF — Сельскохозяйственная и лесная метеорология
SN — 0168-1923
ER —
(PDF) Сравнение полей и моделирование производства сладкой кукурузы и кукурузы на силос (Zea mays L.) с очищенными городскими сточными водами и пресной водой
Irrig Sci
1 3
Hamilton AJ, Stagnitti F, Xiong X, Kreidl SL, Benke KK, Maher P
(2007) Орошение сточными водами: состояние дел. Зона Вадосе J
6: 823–840. doi: 10.2136 / vzj2007.0026
Harris D (2011) Молочная промышленность Виктории: экономическая история
последних событий. DN Harris and Associates, Отдел
Primary Industries, Victoria, and Dairy Australia Ltd,
Мельбурн
Хассанли А.М., Эбрахимизаде М.А., Бичем С. (2009) Влияние
методов полива с затратами на планирование полива
Эффективность водопользования и урожайность кукурузы в районе и.Agric
Water Manag 96: 93–99. doi: 10.1016 / j.agwat.2008.07.004
Hendershot WH, Lalande H, Reyes D, MacDonald JD (2008) Оценка элементов Trace
. В: Carter MR, Gregorich EG (eds) Soil
отбор проб и методы анализа, 2-е изд. CRC Press, Boca
Raton, FL, pp 135–145
Hussain G, Al-Saati AJ (1999) Качество сточных вод и их повторное использование
в сельском хозяйстве Саудовской Аравии. Опреснение 123: 241–251.
doi: 10.1016 / s0011-9164 (99) 00076-4
Hussain A, Muriaza G, Ghafoor A, Basra SMA, Qadir M, Sabir M
(2010) Загрязнение почвы и сельскохозяйственных культур кадмием в долгосрочной перспективе
использование сырьевых, грунтовых и канальных вод на сельскохозяйственных угодьях
земель.Int J Agric Biol 12: 851–856
Хут Н.И., Китинг Б.А., Бристоу К.Л., Вербург К., Росс П.Дж. (1996)
SWIMv2 в APSIM: интегрированная структура моделирования растений, почвенных вод и растворенных веществ
. Тувумба, Квинсленд, Австралия
Huth N, Bristow K, Verburg K (2012) SWIM 3: использование модели, калибровка
и проверка. Trans ASABE 55: 1303–1313
Janssen BH, Boesveld H, Rodriguez MJ (2005) Некоторые теоретические соображения по оценке сточных вод как источника азота, фосфора и калия
для сельскохозяйственных культур.Ирригационный дренаж 54: S35 – S47. doi: 10.1002 / ird.184
Kaiser A, Piltz J (2004) Тестирование кормов: оценка качества силоса. In:
Kaiser A, Piltz J, Burns H, Griffths N (eds) Успешный силос.
Молочная промышленность Австралии и Нового Южного Уэльса Департамент первичной переработки
Industries, Новый Южный Уэльс, стр. 311–334
Карвелас М., Кацояннис А., Самара С. (2003) Возникновение и судьба
тяжелых металлов в процессе очистки сточных вод. Chemos-
phere 53: 1201–1210.DOI: 10.1016 / S0045-6535 (03) 00591-5
Китинг Б.А., Карберри П.С., Хаммер ГЛ, Проберт М.Э., Робертсон М.Дж.,
Хольцворт Д., Хут Н.И., Харгривз Дж.Н.Г., Мейнке Х., Хохман
З., Маклин G, Verburg K, Snow V, Dimes JP, Silburn M, Wang
E, Brown S, Bristow KL, Asseng S, Chapman S, McCown
RL, Freebairn DM, Smith CJ (2003) Обзор APSIM,
модель, предназначенная для моделирования систем земледелия. Eur J Agron
18: 267–288. doi: 10.1016 / s1161-0301 (02) 00108-9
Хан М.А., Шаукат С.С. (2008) Экономические выгоды от орошения кукурузы
обработанным стоком из прудов стабилизации отходов.Pak J
Bot 40: 1091–1098
Khan S, Cao Q, Zheng YM, Huang YZ, Zhu YG (2008) Риски для здоровья
тяжелых металлов в загрязненных почвах и продовольственных культурах орошение
сточными водами в Пекине, Китай. Загрязнение окружающей среды 152: 686–692.
doi: 10.1016 / j.envpol.2007.06.056
Kiziloglu FM, Turan M, Sahin U, Kuslu Y, Dursun A (2008) Влияние
орошения неочищенными и очищенными сточными водами на некоторые химические свойства цветковая (Brassica oleracea L.var. botry-
tis) и краснокочанная капуста (Brassica oleracea L. var. rubra), выращенная
на известковых почвах в Турции. Управление водных ресурсов сельского хозяйства 95: 716–724.
doi: 10.1016 / j.agwat.2008.01.008
Lester JN (1983) Значение и поведение тяжелых металлов в отходах —
процессы очистки воды I. Очистка сточных вод и сброс сточных вод
плата. Sci Total Environ 30: 1–44
Levy GJ (2011) Влияние длительного орошения очищенными сточными водами —
ter на стабильность структуры почвы — опыт Израиля.Isr J Plant
Sci 59: 95–104. doi: 10.1560 / ijps.59.2-4.95
Li PJ, Stagnitti F, Allinson G, Turoczy N, Xiong X, Peterson J
(2006) Сорбция и фракционирование меди в почве на ферме для орошения сточных вод
в Австралии. Коммунальный почвенный завод
Анал 37: 1031–1042. doi: 10.1080 / 00103620600584776
Limsey R (2009) Производство сладкой кукурузы. Департамент первичной первичной переработки
Industries, Мельбурн
Литтл А. (1975) По касательной.J Food Sci 40: 410–411
Marten GC, Larson WE, Clapp CE (1980) Влияние городских отходов
Влияние воды на производительность и качество корма кукурузы по сравнению с
тростникового канареечника. J Environ Qual 9: 137–141
Maynard DG, Kalra YP, Crumbaugh JA (2008) Нитраты и обмен —
аммонийный азот. В: Carter MR, Gregorich EG (eds)
Отбор проб почвы и методы анализа, 2-е изд. CRC Press,
Boca Raton, pp 97–106
McGuire RG (1992) Отчет об объективных измерениях цвета.
HortScience 27: 1254–1255
Mehanni A, Repsys A (1986) Производство многолетних пастбищ после орошения
засоленных грунтовых вод в долине Гоулберн, Виктория.
Aust J Exp Agric 26: 319–324
Mohammad MJ, Ayadi M (2004) Урожайность кормов и поглощение питательных веществ
в зависимости от вторично очищенных сточных вод. J Plant Nutr
27: 351–365. DOI: 10.1081 / pln-120027659
Mok HF, Barker F, Hamilton AJ (2014) Вероятностная количественная модель оценки микробного риска
титативной оценки микробного риска норви-
rus бремя болезни от орошения сточными водами овощей-
столов в Шеппартоне , Австралия.Вода Res 54: 1–16.
doi: 10.1016 / j.watres.2014.01.060
Munns R, Tester M (2008) Механизмы устойчивости к солености. Анну
Rev Plant Biol 59: 651–681. doi: 10.1146 / annurev.arplant.59.03
2607.092911
Murray Dairy (2012) Системы орошения: Murray Dairy. Dairy Aus-
tralia, Murray Dairy, http://www.murraydairy.com.au/irrigation-
systems.html. По состоянию на 6 мая 2013 г.
Muyen Z, Moore GA, Wrigley R (2011) Засоление и соленость почвы
Влияние орошения сточными водами в Юго-Восточной Австралии.Agric
Water Manag 99: 33–41
NRMMC, EPHC, AHMC (2006) Австралийские рекомендации по водоснабжению
Повторное использование воды: управление рисками для здоровья и окружающей среды. Natural
Совет министров по управлению ресурсами, Окружающая среда
Совет защиты и наследия и Министерство здравоохранения Австралии
Конференция Канберра, Австралия
Оливер Б.Г., Косгроув Е.Г. (1974) Эффективность удаления тяжелых металлов
с помощью обычной установки для обработки активного ила.
Water Res 8: 869–874. doi: 10.1016 / 0043-1354 (74) -2
Patterson H, Thompson R (1971) Восстановление межблочной информации
, когда размеры блоков не равны. Биометрика 58: 545–554. doi: 10.1
093 / biomet / 58.3.545
Paydar Z, Huth N, Snow V (2005) Моделирование орошаемого эвкалипта
для контроля солености на мелководье. Aust J Soil Res
43: 587–597. DOI: 10.1071 / SR04152
Radcliffe JC (2010) Эволюция рециркуляции воды в австралийском городе
с 2003 г.Water Sci Technol 62: 792–802. doi: 10.2166 /
wst.2010.362
Raschid-Sally L, Carr R, Buechler S (2005) Управление сточными водами
сельское хозяйство для повышения уровня жизни и качества окружающей среды в
бедных странах. Ирригационный дренаж 54: S11 – S22. DOI: 10.1002 / ird.182
Richards L (1931) Капиллярная проводимость жидкостей через пористые
среды. Physics 1: 318–333
Ross P (1990) Эффективные численные методы фильтрации с использованием уравнения Rich-
ards.Water Resour Res 26: 279–290
Schoenau JJ, O’Halloran IP (2008), экстрагируемый бикарбонатом натрия
фосфор. В: Carter MR, Gregorich EG (eds) Отбор проб почвы
и методы анализа, 2-е изд. CRC Press, Boca Raton, pp
115–120
Sharma G (2003) Основы цвета для цифровых изображений. В: Sharma
G (ed) Справочник по цифровым цветным изображениям. CRC Press, Webster,
New York, pp 2–98
Сравнение эффективности моделей CSM-CERES-Maize и EPIC с использованием данных испытаний сортов кукурузы
Автор
Включено в список:- Бао, Явен
- Hoogenboom, Геррит
- МакКлендон, Рон
- Веллидис, Джордж
Abstract
В исследованиях воздействия изменения климата в настоящее время используются модели нескольких культур.Однако калибровка этих моделей с местными данными по-прежнему важна, но часто эта информация недоступна. Это исследование определило возможность использования данных испытаний сортов кукурузы для оценки моделей CSM-CERES-Maize и EPIC. Модели были откалиброваны с использованием наблюдаемой урожайности зерна в результате сортоиспытаний, проведенных в Блэрсвилле, Калхауне, Гриффине, Мидвилле, Плейнсе и Тифтоне, Джорджия, США. Программа GenCALC использовалась для калибровки коэффициентов составляющих урожайности CSM-CERES-Maize, в то время как коэффициенты для EPIC были скорректированы вручную.Критерии оценки эффективности двух моделей культур включали наклон линейной регрессии, R2, d-stat и RMSE. После калибровки и оценки модели обе модели использовались для моделирования урожайности неорошаемого и орошаемого зерна в период с 1958 по 2012 год для тех же шести участков, которые использовались для оценки модели. Различия между моделированием CSM-CERES-Maize и наблюдениями составляли не более 3% для калибровки и не более 8% для оценки. Однако различия между симуляциями EPIC и наблюдениями составляли от 2% до 23% для калибровки и оценки, что было больше, чем для модели CSM-CERES-Maize.Этот анализ показал, что калибровка CSM-CERES-Maize была немного лучше, чем EPIC для некоторых сортов. Хотя в этом исследовании для калибровки и оценки использовался только наблюдаемый урожай зерна, результаты показали, что обе калиброванные модели могут обеспечить довольно точное моделирование. Таким образом, можно сделать вывод, что ограниченные наборы данных испытаний сортов кукурузы могут быть использованы для калибровки модели, когда подробные данные исследований по анализу роста недоступны.
Рекомендуемое цитирование
DOI: 10.1016 / j.agsy.2016.10.006
Скачать полный текст от издателя
Поскольку доступ к этому документу ограничен, вы можете поискать его другую версию.
Ссылки на IDEAS
- Балкович, Юрай и ван дер Велде, Марийн и Шмид, Эрвин и Скальски, Растислав и Хабаров, Николай и Оберштайнер, Михаэль и Штюрмер, Бернхард и Сюнг, Вей, 2013.« Панъевропейское моделирование культур с EPIC: внедрение, масштабирование и региональная проверка урожайности », Сельскохозяйственные системы, Elsevier, vol. 120 (C), страницы 61-75.
- Джагтап, С. С. и Морну, М. и Канг, Б. Т., 1993. « Моделирование роста, развития и урожайности кукурузы в переходной зоне Нигерии », Сельскохозяйственные системы, Elsevier, vol. 41 (2), страницы 215-229.
- Александр Шапиро и Йос Берге, 2002. « Статистический вывод анализа минимального рангового фактора «, Psychometrika, Springer; Психометрическое общество, т.67 (1), страницы 79-94, март.
- Хант, Л. А. и Уайт, Дж. У. и Хугенбум, Г., 2001. « Агрономические данные: достижения в области документации и протоколов для обмена и использования », Сельскохозяйственные системы, Elsevier, vol. 70 (2-3), страницы 477-492.
- Ян, Дж. М. и Ян, Дж. Й. И Лю, С., Хугенбум, Г., 2014. « Оценка статистических методов для тестирования производительности моделей сельскохозяйственных культур с данными наблюдений », Сельскохозяйственные системы, Elsevier, vol. 127 (C), страницы 81-89.
- Кабельген, М. и Джонс, К. А., Марти, Дж. Р., Дайк, П. Т. и Уильямс, Дж. Р., 1990. « Калибровка и проверка EPIC для севооборотов на юге Франции », Сельскохозяйственные системы, Elsevier, vol. 33 (2), страницы 153-171.
Цитаты
Цитаты извлекаются проектом CitEc, подпишитесь на его RSS-канал для этого элемента.
Цитируется:
- Ян, Хуэй и Ду, Тайшэн и Мао, Сяомин и Дин, Ришенг и Шукла, Манодж К., 2019. « Комплексный метод оценки воздействия засухи и солевого стресса на рост томатов и качество плодов на основе модели роста EPIC », Управление водными ресурсами в сельском хозяйстве, Elsevier, vol. 213 (C), страницы 116-127.
- Сиад, Си Мокран и Якобеллис, Вито и Здрули, Панди и Джоя, Андреа и Стави, Илан и Хугенбум, Геррит, 2019. « Обзор совмещенных гидрологических моделей и моделей роста растений «, Управление водными ресурсами в сельском хозяйстве, Elsevier, vol. 224 (C), страницы 1-1.
- Аттиа, Ахмед и Эль-Хендави, Салах и Аль-Сухайбани, Насер и Алотаиби, Маджед и Тахир, Мухаммад Усман и Камаль, Халед Ю., 2021. « Оценка стратегий планирования недостаточного орошения для повышения урожайности и продуктивности воды кукурузы в засушливых условиях с использованием моделирования », Управление водными ресурсами в сельском хозяйстве, Elsevier, vol. 249 (С).
Самые популярные товары
Это элементы, которые чаще всего цитируют те же работы, что и эта, и цитируются в тех же работах, что и эта.- van Zelm, Rosalie & van der Velde, Marijn & Balkovic, Juraj & ÄŒengiä ‡, Mirza & Elshout, Pieter M.F. & Koellner, Thomas & Núà ± ez, Montserrat & Obersteiner, Michael & Schmid, Erwin & Huijbregts, Mark, 2018. « Пространственно явная оценка воздействия жизненного цикла эрозии почвы в результате глобального растениеводства », Экосистемные услуги, Elsevier, vol. 30 (PB), страницы 220-227.
- Dono, Gabriele & Cortignani, Raffaele & Dell’Unto, Davide & Deligios, Paola & Doro, Luca & Lacetera, Nicola & Mula, Laura & Pasqui, Massimiliano & Quaresima, Sara & Vitali, Andrea & Roggero, Pier Paol, 2016 г. .« Победители и проигравшие от изменения климата в сельском хозяйстве: выводы из тематического исследования в бассейне Средиземного моря », Сельскохозяйственные системы, Elsevier, vol. 147 (C), страницы 65-75.
- Новак, Петр Болеслав, 2016. « MLE среднего экспоненциального распределения на основе сгруппированных данных стохастически увеличивается ,» Статистика и вероятностные письма, Elsevier, vol. 111 (C), страницы 49-54.
- Н. Субаш и Х. Мохан, 2011. « Простой рационально интегрированный индикатор засухи для урожайности риса и пшеницы », Управление водными ресурсами: международный журнал, опубликованный для Европейской ассоциации водных ресурсов (EWRA), Springer; Европейская ассоциация водных ресурсов (EWRA), т.25 (10), страницы 2425-2447, август.
- Дирк Таше, 2009 г. « Оценка дискриминирующей способности и кривых частичного разряда при небольшом количестве значений по умолчанию », Статьи 0905.3928, arXiv.org, от марта 2010 г.
- Саверио М. Фратини и Алессия Наккарато, 2016 г. « Гравитация рыночных цен как случайный процесс », Metroeconomica, Wiley Blackwell, т. 67 (4), страницы 698-716, ноябрь.
- Чжан Ли, 2008 г. « Три очерка по сельскохозяйственным рискам и страхованию », Документы Генерального штаба ИСУ 2008010108000016857, Государственный университет Айовы, факультет экономики.
- Кропфф, М. Дж. И Баума, Дж. И Джонс, Дж. У., 2001. « Системные подходы к проектированию устойчивых агроэкосистем », Сельскохозяйственные системы, Elsevier, vol. 70 (2-3), страницы 369-393.
- Камило Альберто Карденас-Уртадо и Аарон Леви Гаравито-Акоста и Хорхе Эрнан Торо-Кордова, 2018. « Асимметричное влияние шока условий торговли на ставки торгуемых и неторгуемых инвестиций: пример Колумбии », Borradores de Economia 1043, Banco de la Republica de Colombia.
- Адхикари, Прадип и Эль, Шринивасулу и Бордовски, Джеймс П. и Торп, Келли Р. и Модала, Нага Р. и Раджан, Нитья и Барнс, Эдвард М., 2016. « Моделирование будущего воздействия изменения климата на урожайность хлопка в высокогорных районах Техаса с использованием модели CSM-CROPGRO-Cotton», Управление водными ресурсами в сельском хозяйстве, Elsevier, vol. 164 (P2), страницы 317-330.
- Анастасиу, Андреас, 2017. « Границы для нормальной аппроксимации оценки максимального правдоподобия на основе m-зависимых случайных величин ,» Статистика и вероятностные письма, Elsevier, vol.129 (C), страницы 171-181.
- Ван, Цзиньтао и Кан, Шаочжун и Чжан, Сяотао и Ду, Тайшэн и Тонг, Лин и Дин, Ришэн и Ли, Сиен, 2018. « Моделирование числа зерен при различных водных режимах с использованием модели водного цветения при производстве семян гибридной кукурузы », Управление водными ресурсами в сельском хозяйстве, Elsevier, vol. 209 (C), страницы 188-196.
- Ланьцин Хун и Чжи-Шэн Е и Ран Лин, 2018. « Оценка экологического риска возникающих загрязняющих веществ с использованием данных о деградации », Журнал сельскохозяйственной, биологической и экологической статистики, Springer; Международное биометрическое общество; Американская статистическая ассоциация, т.23 (3), страницы 390-409, сентябрь.
- Жан-Марк Буссар и Жан-Филипп Буссемар и Гильермо Фличман и Флоренс Жаке и Анри-Бертран Лефер, 1997. « Влияние реформы CAP на французские животноводческие фермы. Технические изменения и региональная специализация [Les effets de la réforme de la PAC sur les exploitations de grande culture] », Пост-печать хал-02694550, HAL.
- Mompremier, R. & Her, Y. & Hoogenboom, G. & Migliaccio, K.И Муньос-Карпена, Р., Брим, З., Колберт, Р. В. и Джюн, В., 2021. « Моделирование реакции урожайности сухих бобов на доступность поливной воды, контролируемую гидрологией водосбора», Управление водными ресурсами в сельском хозяйстве, Elsevier, vol. 243 (С).
- Лю, Байсэн и Сюй, Линь и Чжэн, Шуронг и Тянь, Го-Лян, 2014. « Новый тест на пропорциональность двух ковариационных матриц большой размерности », Журнал многомерного анализа, Elsevier, vol. 131 (C), страницы 293-308.
- Nasca, J.A. & Feldkamp, C.R. & Arroquy, J.I. И Коломбатто, Д., 2015. « Эффективность и стабильность субтропических систем выпаса мясного скота на северо-западе Аргентины », Сельскохозяйственные системы, Elsevier, vol. 133 (C), страницы 85-96.
- Эвелина Ди Корсо, Таня Черкителли и Даниэле Апилетти, 2018. « METATECH: анализ метеорологических данных для характеристики тепловой энергии с помощью самообучающихся прозрачных моделей », Энергия, MDPI, Open Access Journal, vol.11 (6), страницы 1-24, май.
- Сильва, Иваир Р., 2017. « Доверительных интервалов через последовательный Монте-Карло », Вычислительная статистика и анализ данных, Elsevier, vol. 105 (C), страницы 112-124.
- Альбрехт, Джеймс и Андерсон, Аксель и Вроман, Сьюзен, 2010.
« Поиск комитетом ,»
Журнал экономической теории, Elsevier, vol. 145 (4), страницы 1386-1407, июль.
- Сьюзен Вроман, Аксель Андерсон и Джеймс Альбрехт, 2007. « Поиск Комитетом », Документы встречи 2007 г. 351, Общество экономической динамики.
- Альбрехт, Джеймс и Андерсон, Аксель З. и Вроман, Сьюзан, 2007. « Поиск Комитетом », Документы для обсуждения IZA 3137, Институт экономики труда (ИЗА).
- Джеймс Альбрехт и Аксель Андерсон и Сьюзен Фроман, 2007. « Поиск Комитетом », Рабочие бумаги gueconwpa ~ 07-07-09, Джорджтаунский университет, факультет экономики.
Исправления
Все материалы на этом сайте предоставлены соответствующими издателями и авторами.Вы можете помочь исправить ошибки и упущения. При запросе исправления укажите дескриптор этого элемента: RePEc: eee: agisys: v: 150: y: 2017: i: c: p: 109-119 . См. Общую информацию о том, как исправить материал в RePEc.
По техническим вопросам, касающимся этого элемента, или для исправления его авторов, заголовка, аннотации, библиографической информации или информации для загрузки, обращайтесь:. Общие контактные данные провайдера: http://www.elsevier.com/locate/agsy .
Если вы создали этот элемент и еще не зарегистрированы в RePEc, мы рекомендуем вам сделать это здесь.Это позволяет связать ваш профиль с этим элементом. Это также позволяет вам принимать потенциальные ссылки на этот элемент, в отношении которых мы не уверены.
Если CitEc распознал библиографическую ссылку, но не связал с ней элемент в RePEc, вы можете помочь с этой формой .
Если вам известно об отсутствующих элементах, цитирующих этот элемент, вы можете помочь нам создать эти ссылки, добавив соответствующие ссылки таким же образом, как указано выше, для каждого элемента ссылки. Если вы являетесь зарегистрированным автором этого элемента, вы также можете проверить вкладку «Цитаты» в своем профиле RePEc Author Service, так как там могут быть некоторые цитаты, ожидающие подтверждения.
По техническим вопросам, касающимся этого элемента, или для исправления его авторов, названия, аннотации, библиографической информации или информации для загрузки, обращайтесь: Catherine Liu (адрес электронной почты указан ниже). Общие контактные данные провайдера: http://www.elsevier.com/locate/agsy .
Обратите внимание, что исправления могут занять пару недель, чтобы отфильтровать различные сервисы RePEc.
Оптимизация окна посева и выбор сорта могут повысить урожайность кукурузы в Китае до уровня ниже 1.Глобальное потепление на 5 ° C и 2 ° C
Глобальный спрос на зерно, вероятно, будет и дальше расти для обеспечения продовольственной безопасности с быстро растущим населением (Regmi and Meade 2013, Keating et al 2014, West et al 2014, Ehrlich и Harte 2015). Однако глобальное изменение климата оказывает значительное давление на производство сельскохозяйственных культур, особенно потому, что повышение температуры укорачивает период роста сельскохозяйственных культур и, следовательно, снижает накопление фотосинтетической ассимиляции (Liu et al 2014, Hunt et al 2019).Таким образом, изменение климата является ключевой проблемой для увеличения урожая зерна.
Кукуруза ( Zea ma ys L.) — это основная зерновая и кормовая культура с наибольшим мировым производством (IPCC 2014). Китай является вторым по величине производителем кукурузы в мире, на его долю приходится 17,7% всех посевных площадей кукурузы в мире и 18,6% мирового производства (FAO 2017). Достижение высоких урожаев кукурузы и поддержание стабильности урожайности имеют жизненно важное значение в Китае из-за высокого спроса на кукурузу для населения численностью более одного человека.3 миллиарда (Huang et al 2017). Однако среднегодовая температура воздуха в Китае с 1960-х годов увеличилась на 1,2 ° C (Piao et al 2010, Yu et al 2018), что становится серьезным препятствием для обеспечения поставок кукурузы из-за ее негативного воздействия. по производству кукурузы (Lobell et al 2011, Wang et al 2014, Li et al 2016, Liang et al 2018). Хотя влияние изменения климата на урожайность кукурузы зависит от местных климатических условий, потепление климата привело к снижению урожайности кукурузы в большинстве районов выращивания кукурузы в Китае, главным образом за счет сокращения периода роста кукурузы (Mo et al 2016, Liu et al 2017, p. Чен и др. 2018, Хуанг и др. 2018).
Изменение климата может оказать положительное влияние на производство кукурузы, если будут использованы эффективные варианты адаптации (Asseng et al 2019, Hunt et al 2019). Во многих исследованиях изучалось влияние различных вариантов адаптации к изменению климата на урожай кукурузы и было установлено, что корректировка даты посева и выбор подходящих сортов являются двумя экономически эффективными вариантами адаптации (Wang et al 2012, Tachie-Obeng et al 2013, Zhao et al 2015, Abbas et al 2017).В целом, посадка сортов кукурузы с более длительными периодами роста может компенсировать негативное влияние повышения температуры на урожай кукурузы (Wang et al 2014, Bu et al 2015, Huang et al 2018). Ранее посев кукурузы был рекомендован для адаптации к изменению климата в большинстве районов посадки кукурузы в Китае (Tao and Zhang 2010, Liu et al 2013). Этот подход рекомендуется, потому что корректировка даты посева может помочь снизить риск высоких температур и засух на ключевых этапах роста урожая кукурузы (Rahimi-Moghaddam et al 2018).
Прогнозируется дальнейшее повышение температуры в будущем (Харрисон и др. 2014). Поэтому влияние будущего изменения климата на производство кукурузы исследовано во всем мире (Rurinda et al 2015). В Китае имитационные исследования показали, что в будущем изменение климата приведет к дальнейшему увеличению урожайности кукурузы в северной части северо-восточного региона весенних посевов кукурузы из-за повышенной концентрации CO 2 и большего количества осадков (Xiong et al 2007, Wang et al 2011, Xu et al 2014, Liang et al 2018), в то время как изменение климата, характеризующееся повышением температуры, приведет к снижению урожайности кукурузы в других регионах посадки кукурузы, главным образом за счет сокращения периода выращивания сельскохозяйственных культур (Xiong et al 2007 , Tao and Zhang 2011, Lin et al 2017, Chen et al 2018).Ограниченные исследования в Северо-Восточном Китае и на Северо-Китайской равнине показали, что корректировку даты посева и смену сорта можно использовать для адаптации к будущим изменениям климата (Tao and Zhang 2010, Lin et al 2015). Однако адаптационный потенциал производства кукурузы к будущим изменениям климата, особенно при целевом потеплении на 1,5–2 ° C во всех регионах выращивания кукурузы в Китае, не исследовался. Контрастный климат и системы возделывания кукурузы в кукурузном поясе предполагают, что в адаптационном потенциале производства кукурузы к изменению климата могут быть большие региональные различия.Более того, необходимо определить относительные коэффициенты вклада корректировки сроков посева и смены сортов, чтобы понять механизм адаптации производства кукурузы к будущему потеплению на 1,5 ° C и 2 ° C. В целом, понимание адаптационного потенциала сельского хозяйства к изменению климата и механизма адаптации могло бы помочь в разработке эффективных стратегий для поддержания безопасности зерна и проектирования будущих схем производства кукурузы в Китае.
Цели данного исследования: (1) изучить влияние изменения климата на урожайность кукурузы при двух сценариях потепления, (2) определить оптимальные окна посева и подходящие сорта в шести регионах выращивания кукурузы в Китае при базовом сценарии и сценариях потепления, (3) изучить адаптационный потенциал корректировки даты посева и смены сорта в ответ на изменение климата, и (4) определить относительные коэффициенты вклада корректировки даты посева и смещения сорта для увеличения урожайности в условиях изменения климата.
2.1. Район исследования, исторические данные о климате, урожае и почве
Кукурузный пояс Китая был разделен на шесть регионов посадки кукурузы (рис. 1) в зависимости от географического положения и различных систем возделывания культур (таблица 1). Мы сосредоточились на 163 метеостанциях с данными наблюдений за климатом в полосе богарных посевов кукурузы. Исторически наблюдаемые ежедневные климатические данные 163 метеорологических станций с 1980 по 2016 год были доступны от Китайского метеорологического управления для моделирования кукурузы и расчета термического времени для различных вегетационных сезонов и сортов кукурузы, включая максимальную температуру (° C), минимальную температуру (° C). C), количество осадков (мм) и количество солнечных часов (ч).Суточная солнечная радиация (MJ m −2 ) была оценена с использованием уравнения Ангстрема с солнечными часами (Wang et al 2015a). Фенологические данные, полученные в течение 1980–2011 гг. На 100 агрометеорологических объектах наблюдения в кукурузном поясе Китая, были использованы для определения фактической даты сева кукурузы и определения потенциального окна сева. Наблюдаемые данные о сортах кукурузы, фенологии (например, сроках посева, цветения и созревания), урожайности и методах управления полями с 12 экспериментальных участков были использованы для калибровки и проверки модели кукурузы.Эти полевые эксперименты проводились в кукурузном поясе Китая для изучения реакции роста и развития кукурузы на дату посева. Подробную информацию о почвенных данных можно найти в дополнительном разделе S1, а таблица S1 доступна в Интернете по адресу stacks.iop.org/ERL/15/024015/mmedia.
Увеличить Уменьшить Сбросить размер изображения
Рис. 1. Шесть посевных регионов в кукурузном поясе Китая и распределение 163 метеорологических станций, 100 агрометеорологических участков и 12 экспериментальных участков.
Загрузить рисунок:
Стандартный образ Изображение высокого разрешенияТаблица 1. Разделение регионов посадки кукурузы и систем возделывания кукурузы в кукурузном поясе Китая.
| Регион | Расположение | Система земледелия | Вегетационный период | Номер метеостанции | Номер агрометеорологического пункта | Номер опытной площадки |
|---|---|---|---|---|---|---|
| I | Северо-Восточный Китай | Одноместный | 1/30 мая – сентября | 17 | 10 | 1 |
| II | Северо-Восточный Китай | Одноместный | 1/30 мая – сентября | 12 | 11 | 1 |
| III | Северо-Восточный Китай | Одноместный | 1/30 мая – сентября | 20 | 13 | 1 |
| IV | Северо-Западный Китай | Одноместный | 1/30 мая – сентября | 9 | 8 | 3 |
| В | Северо-Китайская равнина | Двойной | 1/30 июня – 30 сентября | 49 | 36 | 3 |
| VI | Юго-Западный Китай | Смешанный | 1 / апрель – 30 / сентябрь | 56 | 22 | 3 |
2.2. Сценарии будущего изменения климата
Будущие временные ряды суточных данных о температуре, осадках и солнечной радиации для исследуемой области были статистически уменьшены на основе ежемесячных климатических данных с координатной привязкой (с разрешением 2 ° × 2,5 °), полученных из GISS- E2-H-CC (GE2) модель глобальной циркуляции (GCM) с использованием модели даунскейлинга NWAI-WG (Liu and Zuo 2012). Метод пространственной обратной взвешенной по расстоянию (IDW) интерполяции использовался для уменьшения масштаба ежемесячных данных с координатной сеткой до участков с последующей коррекцией смещения с использованием метода построения графиков qq путем сравнения наблюдаемых и прогнозируемых данных GCM за период 1960–1999 гг.Затем модифицированный стохастический погодный генератор WGEN использовался для понижения масштаба ежемесячных данных с поправкой на смещение до суточных данных. Эти климатические результаты, основанные на этом подходе уменьшения масштаба, широко применялись в исследованиях воздействия изменения климата (Лю и др. 2014, Анвар и др. 2015, Ван и др. 2016, 2017, 2018, Фен и др. 2019, Яо и др. 2020). В этом исследовании мы выбрали модель GE2, потому что она превосходит по своей способности отражать исторический климат Китая по сравнению с другими GCM (Ян и др. 2019).
Для создания сценариев потепления на 1,5 ° C и 2 ° C, 1986–2005 годы были установлены в качестве базового периода, учитывая, что 1986–2005 годы были на 0,61 ° C теплее, чем в доиндустриальный период (IPCC 2013, UNFCCC 2015). Сценарии потепления на 1,5 ° C и 2 ° C были получены с использованием 20-летних периодов временного интервала в соответствии с методами предыдущих исследований (Gosling и др. 2017, Ленг 2018). Используя метод скользящей средней температуры за 20 лет, сценарии потепления на 1,5 ° C и 2 ° C, дополнительное потепление на 0,89 ° C и 1,39 ° C выше базового уровня ожидалось в течение 2018–2037 и 2044–2063 годов соответственно для модели GE2 в рамках Репрезентативный путь концентрации (RCP) 4.5 (Schleussner et al 2016), который представляет собой сценарий умеренных выбросов парниковых газов, который в большей степени соответствует целевому показателю 1,5 ° C и 2,0 ° C в текущих социально-экономических условиях. Дополнительный S2 и таблица S2 показывают прогнозируемое изменение климата в течение вегетационного периода кукурузы.
2.3. Получение параметров сорта в модели кукурузы APSIM-Maize
Модель кукурузы sIMulator системы сельскохозяйственного производства (APSIM) (версия 7.7) использовалась для исследования будущего потенциала адаптации производства кукурузы к изменению климата путем корректировки даты посева и смены сорта.APSIM моделирует рост, развитие и формирование урожая кукурузы в ответ на солнечную радиацию, температуру, фотопериод, почвенную воду и азот (Keating et al 2003, Holzworth et al 2014). Фенология кукурузы определяется температурой вместе с чувствительностью к световому периоду данного сорта. Ежедневное накопление надземной биомассы рассчитывается по суточному улавливанию солнечной радиации и эффективности использования радиации, уменьшенной из-за почвенной воды и азотного стресса. Урожайность зерна кукурузы определяется количеством зерен, дневной нормой налива зерна и перемещением ассимилятов.Осадки существенно влияют на накопление биомассы сельскохозяйственных культур и урожайность, влияя на содержание влаги в почве в APSIM. APSIM был хорошо оценен и применен в Кукурузном поясе Китая и хорошо зарекомендовал себя в улавливании воздействия изменений климата и методов агрономического управления на рост, развитие и урожайность сельскохозяйственных культур (Liu et al. 2013, Wang et al 2014, Bu et al 2015, Dai et al 2016). Здесь мы дополнительно оценили эффективность модели APSIM-кукуруза при моделировании фенологии и урожайности кукурузы с точки зрения различных сортов, сроков посева и регионов в кукурузном поясе Китая.Статистические показатели для оценки модели показаны в дополнительном S3.
Три репрезентативных сорта с разной степенью зрелости (раннеспелые, средне- и позднеспелые) были отобраны для каждого региона посадки кукурузы, чтобы минимизировать возможную пространственную неоднородность местных сортов (таблица 2). Для регионов I – III использовались одни и те же репрезентативные сорта из-за схожей системы возделывания и вариантов управления. Генетические параметры для четырех сортов, используемых в APSIM, были взяты непосредственно из литературы, а генетические параметры восьми других сортов были получены путем калибровки и проверки модели на основе экспериментальных полевых данных методом проб и ошибок.Генетические параметры фенологии кукурузы определялись путем сравнения наблюдаемых и смоделированных дат цветения и созревания, а генетические параметры урожайности кукурузы определялись путем сравнения наблюдаемых и смоделированных урожаев кукурузы. Мы также сослались на признаки культурных сортов кукурузы, данные селекционерами, чтобы обеспечить физиологические средние параметры. Полевые экспериментальные данные из литературы были извлечены с помощью программного обеспечения WebPlotDigitizer (https://automeris.io/WebPlotDigitizer/) из рисунков в литературе.Для калибровки и проверки модели APSIM-кукурузы данные полевых экспериментов были разделены на независимые калибровочные и проверочные данные по разным датам и годам посева.
Таблица 2. Подробная информация о сорте, зрелости сорта, данных калибровки и валидации, экспериментальном участке и различных источниках генетических параметров, полученных в шести регионах посадки кукурузы.
| Район посадки кукурузы | Сорт | Срок погашения | Калибровка (день / месяц / год) | Проверка (день / месяц / год) | Наблюдаемые данные для калибровки и проверки | Экспериментальная площадка и источник данных | Источник генетических параметров |
|---|---|---|---|---|---|---|---|
| I – III | Jidan120 | E | 05.04.1998, 05.06.1999 | 05.01.2002, 05.01.2004 | Сроки цветения и созревания, урожай зерна | Агрометеорологический участок Хуадянь, Лю и др. (2012) | Лю и др. (2012) |
| Чжэндань 958 | M | 05.07.2012, 15.05.2013, 15.05.2014 | 27.04.2012, 17.05.2012, 05.08.2013, 22.05.2013, 05.08.2014, 22.05.2014 | Сроки цветения и созревания, урожай зерна | Линдский экспериментальный участок, Хан и др. (2016) | Это исследование | |
| Даню39 | л | 30.04.2012, 30.04.2013 | 20.04.2012, 05.10.2012, 20.04.2013, 05.10.2013 | Сроки цветения и созревания, урожай зерна | Экспериментальная площадка Цзиньчжоу, Цуй (2017) | Это исследование | |
| IV | Шаандан9 | E | 06.14.1990, 19.06.1991 | 06.14.1992, 19.06.1993 | Сроки цветения и созревания, урожай зерна | Агрометеорологический участок Вугонг | Это исследование |
| Шаандан 609 | M | 04.10.2012, 04.10.2013 | 16.04.2012, 28.04.2012, 16.04.2013, 28.04.2013 | Сроки цветения и созревания, урожай зерна | Экспериментальная площадка Чангву, Лу и др. (2017) | Это исследование | |
| Нонгда108 | л | 05.02.2003, 28.04.2004, 30.04.2005 | 05.02.2006, 05.04.2017, 05.06.2008 | Сроки цветения и созревания, урожай зерна | Сиян агрометеорологический участок | Это исследование | |
| В | Юнонг704 | E | 28.05.1981 | 06.02.1982, 06.06.1984 | Сроки цветения и созревания, урожай зерна | Агрометеорологический участок Наньян, Сяо и др. (2016) | Сяо и др. (2016) |
| Едан22 | M | 15.06.1998, 15.06.1999, 15.06.2000, 15.06.2001 | 15.06.2003, 15.06.2004, 15.06.2005 | Сроки цветения и созревания, урожай зерна | Экспериментальный участок Юйчэн, Чен (2009) | Чен (2009) | |
| Nongda4 | л | 21.05.2010, 21.05.2012 | 30.04.2010, 06.11.2010, 30.04.2012, 06.11.2012 | Сроки цветения и созревания, урожай зерна | Экспериментальный участок Уцяо, Чжу (2013) | Это исследование | |
| VI | Луодан5 | E | 04.06.2005, 05.03.2006 | 21.05.2007 | Сроки цветения и созревания, урожай зерна | Агрометеорологический участок Менгзи, Дай и др. (2016) | Дай и др. (2016) |
| Chendan30 | M | 26.03.2015, 04.10.2015 | 25.04.2015, 05.10.2015, 25.05.2015 | Сроки цветения и созревания, урожай зерна | Экспериментальная площадка Наньчун, Доу и др. (2017) | Это исследование | |
| Чжунъюй3 | л | 05.05.2016, 15.05.2016 | 25.05.2016, 06.04.2016, 14.06.2016 | Сроки цветения и созревания, урожай зерна | Экспериментальная площадка Чжунцзян, Рен и др. (2017) | Это исследование |
E, M и L представляют собой сорта с ранним, средним и поздним сроком созревания соответственно.
2.4. Настройка моделирования в APSIM
Для оценки адаптационного потенциала производства кукурузы к изменению климата, долгосрочное моделирование на основе прогнозируемых ежедневных климатических данных, включая солнечную радиацию, максимальные и минимальные температуры и осадки, для базового сценария и 1,5 ° C и 2 Сценарии потепления на ° C проводились без азотного стресса в период роста кукурузы в богарных условиях. Азотные удобрения вносились автоматически на глубину 50 см в почву, чтобы сохранить минеральный азот не менее 300 кг / га –1 , чтобы избежать азотного стресса.Все моделирование проводилось в богарных условиях. Для регионов посадки кукурузы с единичным выращиванием (I – IV) моделирование первых 10 лет было отброшено как период «раскрутки», чтобы минимизировать влияние начальных условий (Teixeira et al 2015, Tang et al 2019). Для системы двойного посева (V – VI) начальное содержание влаги в почве на максимальной глубине корней при посеве было сброшено на 30% и 81% от водоудерживающей способности растений для регионов V и VI, соответственно, в соответствии с наблюдалась историческая усредненная начальная влажность почвы при посеве с агрометеорологических опытных участков.Для всех регионов посадки кукурузы плотность посадки кукурузы была установлена на уровне 67 500 га -1 . Глубина посадки и междурядье были установлены на 5 см и 60 см соответственно. В нашем исследовании также рассматривалось влияние увеличения концентрации CO 2 на кукурузу (дополнительный S4). Для культур C 4 повышенная концентрация CO 2 в основном влияет на транспирацию растений. Предыдущее исследование показало, что эффективность транспирации увеличивалась линейно на 37% при увеличении концентрации CO 2 с 350 до 700 ppm (Lobell et al 2015), поэтому мы вложили эту функцию в модель APSIM-Maize.
2,5. Окно посева и сорт с адаптацией и без нее
В случае без вариантов адаптации для фактической даты посева на каждой метеостанции использовалась средняя дата посева из исторически наблюдаемых значений на каждом ближайшем агрометеорологическом участке, а фактический сорт кукурузы был выбран из местных типичных сорта в таблице 2 в зависимости от теплового режима в районе посадки (дополнительная таблица S5 и таблица S3).
При рассмотрении стратегий адаптации оптимальная комбинация даты посева и сорта кукурузы была выбрана из трех типичных сортов в таблице 2 и даты посева в пределах потенциального окна посева для каждого региона посева.Потенциальное окно посева для каждого региона было определено как период между самой ранней и поздней датой посадки раннеспелого сорта в каждой зоне посадки. Самая ранняя дата посева была установлена как первый день, когда пятидневная скользящая средняя дневная температура была> 8 ° C, что является базовой температурой для кукурузы, используемой в модели APSIM-Maize, и основано на обзоре литературы (Sánchez и др. 2014) в регионах I – IV. В регионе V с системой двойного посева самая ранняя дата посадки, ограниченная датой уборки предыдущего урожая, была установлена через 3 дня после уборки предыдущего урожая, зарегистрированного в агрометеорологических участках.В регионе VI, где сочетаются система единственного и двойного посевов, самая ранняя дата посадки была установлена как зарегистрированная усредненная дата посадки кукурузы с агрометеорологических участков. Последние даты посадки в регионах I – IV были установлены, так как последний день созревания кукурузы перед первым днем заморозков рассчитывался как минимальная дневная температура ниже 0 ° C. В регионах V – VI была установлена самая поздняя дата посева, так как кукуруза могла созреть за 7 дней до посева следующего урожая. Кукурузу убирали при достижении одного из следующих трех условий: (1) при физиологической дате созревания, (2) до первого дня заморозков и (3) за 3 дня до посева урожая следующего сезона.
Оптимальным окном посева были сроки сева, которые обеспечивают более 80% максимальной урожайности в пределах потенциального окна посева. Сорт с наибольшей урожайностью был выбран как оптимальный сорт для данного региона.
2.6. Анализ смоделированного изменения урожайности
В нашем исследовании было четыре типа смоделированных изменений урожайности (%) по сравнению с базовым сценарием: (1) Δ Y 1,5 / 2,0 было изменением урожайности при 1,5 ° C или 2.Сценарии потепления на 0 ° C по сравнению с исходным уровнем, (2) Δ Y 1,5 / 2,0, с было изменением урожайности, вызванным изменением климата от исходного уровня до сценариев потепления на 1,5 ° C или 2,0 ° C и корректировкой даты посева, ( 3) Δ Y 1,5 / 2,0, c — изменение урожайности, вызванное изменением климата от исходного уровня до сценариев потепления на 1,5 ° C или 2,0 ° C и сменой сорта, и (4) Δ Y 1,5 / 2,0 , s & c было изменением урожайности при рассмотрении изменения климата от исходного уровня до 1.Сценарии потепления на 5 ° C или 2,0 ° C, изменение даты посева и смена сорта.
, где индексы s и c обозначают корректировку даты посева и сменный сорт, соответственно. Y bl / 1,5 / 2,0 — смоделированная средняя урожайность для исходного уровня или при прогревании на 1,5 ° C или 2 ° C без адаптации, Y 1,5 / 2,0, с — смоделированная урожайность с отрегулированным временем посева только при прогревании на 1,5 ° C или 2 ° C, Y 1,5 / 2,0, c была смоделированной урожайностью только с измененным сортом при прогревании на 1.5 ° C или 2 ° C, а Y 1,5 / 2,0, s & c — смоделированная урожайность с скорректированной датой посева и измененным сортом при нагревании на 1,5 ° C или 2 ° C.
2.7. Относительный вклад корректировки даты посева и смещения сорта для изменения урожайности
Δ Y s , Δ Y c и Δ Y s & c (промежуточные переменные) были изменениями урожайности, которые произошло после корректировки даты посева, смены сорта и объединения скорректированной даты посева и смещения сорта под 1.Сценарии потепления на 5 ° C или 2,0 ° C по сравнению с урожайностью по базовому сценарию. Относительная скорость изменения климата (Δ R 1,5 / 2,0 ), изменение даты посева (Δ R s ), изменение сорта (Δ R c ) и комбинированное изменение Срок посева и сорта (Δ R s&c ) при изменении урожайности рассчитывали следующим образом:
3.1. Характеристики модели APSIM-кукуруза в кукурузном поясе Китая
На рис. 2 показано сравнение смоделированной и наблюдаемой фенологии и урожайности кукурузы для восьми типичных местных сортов кукурузного пояса Китая.APSIM-Maize хорошо смоделировал продолжительность от посева до цветения и от посева до созревания со значениями среднеквадратичной ошибки (RMSE) 2,1 и 4,1 дня для периода калибровки и 2,9 и 3,9 дня для периода валидации, соответственно. Смоделированная урожайность кукурузы хорошо согласуется с наблюдаемой урожайностью кукурузы с коэффициентом R 2 0,89 для калибровки и 0,79 для периода проверки. За период калибровки RMSE составляла 0,97 т га -1 , NRMSE составляла 9.9%; для периода валидации RMSE составляла 1,38 т га −1 , а NRMSE составляла 17,7%. Все параметры сорта представлены в таблице S4.
Увеличить Уменьшить Сбросить размер изображения
Рисунок 2. Сравнение смоделированной и наблюдаемой продолжительности от посева до цветения (дни после посева), продолжительности от посева до созревания (дни после посева) и урожайности зерна кукурузы. Сроки цветения и созревания определяются как 50% цветения растений и 80% зрелости растений.Пунктирная и сплошная линии — это линия 1: 1 и линия регрессии соответственно. На этом рисунке показаны результаты калибровки и валидации для восьми сортов в этом исследовании, а параметры других четырех сортов напрямую упоминаются в литературе. Калибровка показана в первой строке с одной группой экспериментальных данных ( n = 18), а проверка показана во второй строке с другой группой экспериментальных данных ( n = 29).
Загрузить рисунок:
Стандартный образ Изображение высокого разрешения3.2. Будущее изменение урожайности кукурузы при различных сценариях
Смоделированная средняя урожайность на богарных землях без адаптации составила 5,8–10,0 т га –1 в кукурузном поясе Китая при базовом климатическом сценарии, с самой высокой урожайностью в регионе III и самой низкой урожайностью в регион IV (рисунок 3). По сравнению с исходным сценарием, без адаптации, потепление на 1,5 ° C и 2 ° C приведет к увеличению урожайности кукурузы на 0,9% –4,9% и 2,6–7,9% в регионах I – IV, соответственно, и снизит урожайность кукурузы на 6%. .3–7,6% и 0,1–12,5% в регионах V – VI соответственно. Факторы, приводящие к изменению урожайности, варьировались в зависимости от региона. Повышение концентрации CO 2 приведет к увеличению урожайности кукурузы в регионах I, II и IV (рисунок 4 и таблица S5). Для региона III совместное увеличение количества осадков за вегетационный период и концентрации CO 2 приведет к увеличению урожайности кукурузы. Однако уменьшение количества осадков в период вегетации приведет к снижению урожайности кукурузы в регионе V. Уменьшение солнечной радиации в период вегетации и повышение температуры в период выращивания приведет к снижению урожайности кукурузы в регионе VI.
Увеличить Уменьшить Сбросить размер изображения
Рисунок 3. Смоделированная средняя урожайность кукурузы за 20 лет без адаптации, с оптимальной датой посева, с оптимальным сортом и комбинированной адаптацией даты посева и сорта по базовому сценарию (1986–2005) и 1,5 ° C (2018–2037 годы) ) и сценарии потепления на 2 ° C (2044–2063 гг.) в шести регионах посадки кукурузы. Планки погрешностей показывают стандартное отклонение смоделированной урожайности кукурузы на разных метеостанциях в каждом посевном регионе.
Загрузить рисунок:
Стандартный образ Изображение высокого разрешенияУвеличить Уменьшить Сбросить размер изображения
Рис. 4. Взаимосвязь между смоделированным изменением урожайности (%) без адаптации и изменениями общего количества осадков (%), общей солнечной радиации (%) и средней температуры (° C) в течение вегетационного периода в шести регионах посадки кукурузы. Гистограмма показывает урожай кукурузы без адаптации при повышенной концентрации CO 2 и без повышенной концентрации CO 2 для каждого сценария.Сплошная линия — линия регрессии. * P <0,05; ** P <0,01; *** П <0,001.
Загрузить рисунок:
Стандартный образ Изображение высокого разрешенияС учетом адаптации к изменению климата путем оптимизации даты сева и сорта, смоделированная средняя урожайность кукурузы увеличится при всех сценариях (рисунок 3 и таблица S6). По всему Кукурузному поясу Китая смоделированная средняя урожайность кукурузы увеличится на 11,1–53,9%, причем наибольший рост будет в регионах II и IV, а самый низкий — в регионе VI.По сравнению с базовым сценарием в сценариях потепления только корректировка даты посева может повысить урожайность на –0,5% до 40,7%, в то время как только смена сорта может повысить урожайность на –1,8% до 24,9%.
Норма вклада 44,5–96,7% в повышение урожайности за счет корректировки даты посева была выше по сравнению со сменой сорта (0–50,8%) и изменением климата (от –53,1% до 23,0%) на большинстве посевов кукурузы. регионов, за исключением областей III и V при потеплении на 2 ° C и области VI при обоих сценариях потепления (таблица 3).Оптимальный сорт не изменится в регионе I, что подразумевает увеличение тепловых ресурсов в будущих сценариях потепления на 1,5 ° C и 2 ° C, которые все еще не могут соответствовать термическому времени, необходимому для сортов со средним и поздним сроком созревания. Доля смены сорта для повышения урожайности увеличится с изменением климата во всех регионах посадки кукурузы. Комбинированный эффект даты посева и смены сорта не равнялся сумме их индивидуальных воздействий в регионах II – VI, что предполагает эффект взаимодействия между изменением даты посева и сменой сорта на изменение урожайности кукурузы.
Таблица 3. Индивидуальные и комбинированные коэффициенты влияния изменения климата, скорректированная дата посева и сменный сорт в различных регионах посадки кукурузы.
| Район посадки | Сценарий изменения климата | Δ R 1,5 / 2,0 (%) | Δ R с (%) | Δ R c (%) | Δ R s & c (%) |
|---|---|---|---|---|---|
| I | 1.5 ° С | 3,3 | 96,7 | 0 | 96,7 |
| 2 ° С | 23,0 | 77,0 | 0 | 77,0 | |
| II | 1,5 ° С | 14,9 | 61,7 | 32,4 | 85,1 |
| 2 ° С | 13,8 | 60,9 | 35,0 | 86,1 | |
| III | 1,5 ° С | 17.1 | 44,5 | 37,9 | 82,9 |
| 2 ° С | 9,3 | 46,6 | 49,2 | 90,7 | |
| IV | 1,5 ° С | 6,1 | 76,3 | 40,6 | 93,9 |
| 2 ° С | 6,3 | 69,1 | 39,9 | 93,7 | |
| В | 1,5 ° С | −53.1 | 92,0 | 38,0 | 153,1 |
| 2 ° С | -0,5 | 47,9 | 50,8 | 100,5 | |
| VI | 1,5 ° С | −48,3 | 73,2 | 86,7 | 148,3 |
| 2 ° С | -112,7 | 108,6 | 117,1 | 212,7 |
Примечание: Δ R 1.5 / 2.0 , Δ R s , Δ R c и Δ R s & c — относительные коэффициенты вклада изменения климата, изменения даты посева, смены сорта и комбинированного изменения посева. дата и сорт при изменении урожайности кукурузы соответственно.
3.3. Потенциальное окно посева, оптимальное окно посева и сорт кукурузного пояса Китая
На рисунке 5 показаны потенциальное окно посева, оптимальное окно посева и оптимальный уровень зрелости сорта кукурузы по всему Китайскому поясу кукурузы при базовом сценарии и сценарии 1.Сценарии потепления на 5 ° C и 2 ° C. Самый ранний потенциальный срок сева начался в середине апреля в регионах III и IV, а последний потенциальный срок сева начался в начале июня в регионе V по базовому сценарию. Самое длинное окно потенциального посева было в регионе VI, в среднем 68 дней, в то время как самое короткое окно потенциального посева составило всего 6 дней в регионе I по базовому сценарию. С потеплением климата наиболее ранняя потенциальная дата сева увеличилась для всех регионов посева кукурузы, за исключением регионов V и VI, где сроки сева были ограничены урожаем предыдущего урожая.Последняя потенциальная дата сева была отложена для всех регионов посева кукурузы. Таким образом, потенциальное окно посева увеличивалось на 2–17 дней при потеплении на 1,5 ° C и на 4–26 дней при потеплении на 2 ° C по всему кукурузному поясу с более высокой скоростью расширения в более высоких широтах (например, регионы I – III). Изменение оптимального окна посева при изменении климата соответствовало изменению окна потенциального посева. Значительные сдвиги в дате начала оптимального окна посева произошли в регионе I на 8 дней и в регионе II на 10 дней, в то время как дата окончания оптимального окна посева была отложена во всех регионах посева кукурузы с более значительной задержкой в регионы I – IV по сценариям потепления по сравнению с базовым сценарием.Следовательно, потепление климата значительно увеличило бы оптимальное окно посева, особенно в регионах I – IV, в среднем на 10 дней при потеплении на 1,5 ° C и на 12 дней при потеплении на 2 ° C по сравнению с исходным сценарием. Фактические окна посева в регионах I – II и VI наступили несколько раньше, чем оптимальное окно посева, в то время как они были близки к оптимальному окну сева в регионах III – V. Оптимальный уровень зрелости сорта изменится от раннеспелого сорта при базовом сценарии и потеплении на 1.5 ° C для позднеспелого сорта в регионе II при потеплении на 2 ° C, но не изменится с изменением климата для раннеспелого сорта в регионе I и позднеспелого сорта в других регионах посадки.
Увеличить Уменьшить Сбросить размер изображения
Рис. 5. Фактическое окно посева (ASD) и потенциальное окно посева, оптимальное окно посева и оптимальная зрелость сорта кукурузы в кукурузном поясе Китая согласно базовому сценарию и сценарию 1.Сценарии потепления на 5 ° C и 2 ° C. DOY на осях x графиков временной шкалы представляет день года. Зеленые промежутки показывают фактическое окно посева, зарегистрированное на агрометеорологических участках, а усы вокруг зеленых промежутков представляют собой стандартное отклонение фактической даты посева. Серые промежутки показывают окно потенциального посева, а усы вокруг серых промежутков представляют собой стандартное отклонение самых ранних и поздних возможных сроков сева. Красные или желтые промежутки показывают оптимальное окно посева, а желтые и красные оттенки представляют собой раннеспелые и позднеспелые сорта кукурузы, соответственно.Синие точки показывают оптимальную дату сева с максимальной урожайностью.
Загрузить рисунок:
Стандартный образ Изображение высокого разрешенияКитайская кукурузная лента — одна из золотых кукурузных лент в мире и, следовательно, важна для обеспечения глобальной безопасности пищевых продуктов. Однако продолжающееся изменение климата существенно повлияло на урожайность кукурузы. Результаты моделирования показывают, что изменение климата приведет к повышению урожайности кукурузы в регионах I – IV, в основном из-за повышенных концентраций CO 2 вместе с увеличением количества осадков в период вегетации.В то же время будущие урожаи кукурузы в регионах V – VI снизятся в результате уменьшения количества осадков и солнечной радиации из-за повышения температур, ускоряющих фазы роста. Эти результаты согласуются с результатами предыдущих исследований во всех регионах посадки кукурузы, кроме Северо-Западного Китая, где другие исследования показали, что будущие урожаи кукурузы будут снижаться (Xiong et al 2007, Tao and Zhang 2011, Kang et al 2014, Lin и др. 2017, Лян и др. 2018).Это несоответствие, возможно, связано с тем, что в нашем исследовании рассматривалось влияние увеличения концентрации CO 2 на эффективность транспирации за счет снижения устьичной проводимости, тем самым уменьшая водный стресс в период выращивания кукурузы в Северо-Западном Китае (Lobell et al 2015, Zhang et al. al 2018).
Оптимизация сроков сева признана одним из наиболее эффективных вариантов адаптации к изменению климата путем согласования предложения и потребности сельскохозяйственных культур с климатическими ресурсами (Kamara et al 2009, Tsimba et al 2013) и снижения климатических рисков, таких как засуха и тепловой стресс (Ян и другие 2017, Рахими-Могхаддам и другие 2018, Тиан и другие 2019).При сравнении текущего потенциального окна посева в шести регионах, регионы I и V имеют более короткие окна посева. Этот результат произошел из-за того, что в регионе I более короткий безморозный период, в то время как период выращивания кукурузы в регионе V ограничен системой двойного посева. В связи с изменением климата будущее потенциальное окно посева было увеличено из-за более ранней возможной даты посева и задержки последней даты посева во всех шести регионах, что может предоставить больше возможностей для оптимизации даты сева.Кроме того, потенциальное окно посева в высокоширотных регионах будет расширено больше, чем в других регионах нашего исследования, из-за более значительного потепления в северном Китае (Piao et al 2010), что предполагает большие возможности для корректировки даты сева. адаптироваться к изменению климата в северном Китае.
Мы обнаружили, что поздние сроки сева в регионах I – II, средние сроки сева в регионах IV и ранние сроки сева в регионах III и V – VI могут иметь положительное влияние на повышение урожайности кукурузы из-за увеличения количества осадков в течение более длительных вегетационных периодов (таблица S7 ).Напротив, предыдущие исследования рекомендуют ранние сроки посева в регионах I – II (Лю и др. 2013, Бу и др. 2015, Хуанг и др. 2018). Эта разница вызвана взаимодействием между датой посева и выбором сорта. Предыдущие исследования использовали позднеспелые сорта в этих регионах и поэтому рекомендовали ранний посев для получения более длительного периода роста. Однако мы определили скороспелые сорта, подходящие для регионов I – II из-за нехватки термического времени в более высоких широтах.Поздний посев возможен при сценариях потепления, что может привести к дополнительному выпадению осадков периода роста. Однако тестирование адаптивного потенциала раннеспелых позднеспелых сортов в регионах I – II будет приоритетом в будущей работе. Напротив, наше исследование рекомендовало позднеспелые сорта в регионах III – VI для получения более длительного вегетационного периода (таблица S8), что согласуется с результатами предыдущих исследований (Liu et al 2013, Bu et al 2015, Хуанг и др. 2018).
Наше исследование также обнаружило значительную взаимосвязь между датой посева и сортом на урожай кукурузы. Например, оптимальный сорт при текущей дате посева в регионе II — это среднеспелый сорт при потеплении на 1,5 ° C (таблица S9), но оптимальный сорт переходит в раннеспелый сорт при оптимальной дате посева (рис. ). Для регионов IV поздний посев подходит для текущего сорта кукурузы (рисунок S1), тогда как средний посев с оптимальным сортом кукурузы дает более высокие урожаи (рисунок 5) (Цимба и др. 2013).Средний срок посева хорошо сочетается с текущим сортом кукурузы в регионах V – VI (рисунок S1), но ранний посев оптимальным сортом кукурузы дает более высокий урожай (рисунок 5). Кроме того, по сравнению со сменой сорта, корректировка даты посева вносит больший вклад в большинство регионов посева, за исключением региона VI, потому что корректировка даты посева увеличивает урожай кукурузы в основном за счет увеличения количества осадков в период вегетации, в то время как этот регион не ограничивается осадками (Lu et al. 2017).
Анализ адаптационного потенциала полезен для уменьшения разрыва в урожайности в различных регионах посадки и определения эффективных вариантов адаптации к будущему изменению климата (Гуан и др. 2017, Рахими-Могхаддам и др. 2018). Положительный адаптационный потенциал указывает на то, что урожай кукурузы можно повысить за счет оптимизации даты сева и выбора сорта в Китае при потеплении на 1,5 ° C и 2 ° C. Однако более низкий адаптационный потенциал в регионах V – VI, чем в других регионах, означает, что эти районы могут быть уязвимы к будущим изменениям климата и требуют дальнейшего анализа.
Адаптационный потенциал, основанный на наших результатах, предоставляет различные возможности и проблемы для производства кукурузы в регионах выращивания кукурузы. Например, в регионах I – III потепление климата удлиняет вегетационный период, что позволяет высаживать сорта кукурузы с более длительным вегетационным периодом (Liu et al 2013, Huang et al 2018). В регионе IV высокий урожай кукурузы по-прежнему ограничивается низким уровнем осадков в период вегетации, хотя изменение климата с адаптацией приведет к увеличению урожайности кукурузы.Следовательно, необходимо продолжить изучение выбора устойчивых к засухе и жаре сортов для повышения урожайности кукурузы. Поскольку уменьшение количества осадков и ограниченные периоды роста в системах двойного посева, вероятно, продолжат снижать урожайность в регионе V, повышая эффективность водопользования за счет корректировки даты сева и посадки позднеспелых сортов кукурузы весной, а также изменения системы севооборота пшеница-кукуруза. к системе выращивания одной кукурузы были бы осуществимыми стратегиями адаптации (Zhao et al 2018, Sun et al 2019).Низкая солнечная радиация в регионе VI может быть более серьезной в будущем; таким образом, выведение новых сортов с более высокой эффективностью использования радиации снизит степень потери урожая. Различия в адаптационном потенциале и вариантах адаптации между различными регионами посадки кукурузы предоставляют полезную информацию для лиц, принимающих решения, и производителей, чтобы оптимизировать схемы производства кукурузы и разработать эффективные стратегии адаптации в условиях будущего климата.
Однако в нашем исследовании все еще оставались некоторые неточности.Мы не рассматривали будущие сорта, в том числе быстро обновляемые сорта с более высокой устойчивостью к жаре и засухе, что может привести к усилению адаптации (Singh et al 2014, Guan et al 2017, Tesfaye et al 2017). Все моделирование проводилось в условиях богарного земледелия и отсутствия азотного стресса. Возможно взаимодействие азотных удобрений и орошения с датой посева и сортом, что значительно повлияет на урожайность кукурузы. Однако в кукурузном поясе Китая количество азотных удобрений, вносимых фермерами, всегда очень велико (Сюй и др. 2014, Сяо и др. 2019), что может удовлетворить потребности роста кукурузы (Чен и др. 2018 ).Более того, орошение нечасто используется во время вегетационного периода кукурузы, поскольку осадки концентрируются в период вегетации кукурузы, например, в регионах I – III и V – VI, или из-за отсутствия доступных ресурсов воды для орошения, например в регионе IV (Ван и др. 2010, Инь и др. 2015). Таким образом, наши предположения близки к реальным условиям производства, хотя оптимальные сроки посева и сорта могут меняться в зависимости от количества азотных удобрений и орошения. Моделируемые урожаи кукурузы также чувствительны к начальному содержанию влаги в почве при посеве, особенно в регионах с двойным посевом, что подразумевает оптимальные сроки посева и сорта, которые будут меняться в зависимости от исходного содержания влаги в почве.Кроме того, в нашем исследовании использовался относительно оптимистичный сценарий изменения климата, поскольку были предприняты международные усилия по смягчению последствий потепления климата для достижения цели потепления в пределах 1,5 ° C и 2 ° C в соответствии с Парижским соглашением (UNFCCC 2015). Изменение климата приведет к более значительному снижению урожайности кукурузы при более пессимистических сценариях изменения климата, чем при других сценариях (Xiong et al 2007, Tao and Zhang 2011). Тем не менее, дизайн этого исследования, основанный на ограниченных сценариях и единственной модели, может предоставить практическое руководство для большего количества оценок воздействия изменения климата с использованием нескольких глобальных климатических моделей и моделей нескольких сельскохозяйственных культур (Araya et al 2015, Wang et al 2015b, Rahman и др. 2018, Ян и др. 2019).
В нашем исследовании изучалось влияние будущего изменения климата на урожай кукурузы и изучался потенциал адаптации в кукурузном поясе Китая путем оптимизации даты посева и сорта с помощью проверенной модели APSIM-кукуруза при сценариях потепления на 1,5 ° C и 2 ° C. Необходима адаптация, поскольку урожай кукурузы в регионах V – VI снизился без адаптации. С адаптацией урожай кукурузы остается стабильным для увеличения урожайности при ограниченном повышении температуры на 2 ° C. Корректировка даты посева увеличила урожайность, чем сменный сорт в регионах I – V, а сменный сорт дал больше урожая в регионе VI.Поздний посев в регионах I – II, средний посев в регионах IV и ранний посев в регионах III и V – VI в сочетании с текущим раннеспелым сортом в регионах I и позднеспелым сортом в других регионах дали более высокие урожаи.
Эта работа поддерживается Национальной программой ключевых исследований и разработок Китая [2017YFD0300304, 2017YFD0300404] и Ключевой лабораторией агрометеорологической поддержки и прикладной техники CMA / Хэнань (AMF201905). Мы также благодарны редактору и анонимным рецензентам за полезные комментарии к рукописи.
Данные, подтверждающие выводы этого исследования, могут быть предоставлены соответствующим автором по обоснованному запросу.
Сравнение прогнозов модели и данных наблюдений — Penn State
TY — JOUR
T1 — Повышенное воздействие углекислого газа в атмосфере на кукурузу и люцерну на северо-востоке США
T2 — Сравнение прогнозов модели и данных наблюдений
AU — Castaño-Sánchez, José P.
AU — Rotz, C. Alan
AU — Karsten, Heather D.
AU — Кеманян, р. Армен
N1 — Информация о финансировании: Авторы благодарят Кеннета Боута за его помощь в моделировании люцерны с помощью DSSAT. Это исследование финансировалось Службой сельскохозяйственных исследований Министерства сельского хозяйства США при частичной поддержке Национального института продовольствия и сельского хозяйства Министерства сельского хозяйства США, который предоставляет Северо-востоку исследования и образование в области устойчивого сельского хозяйства в рамках проекта № 2016-38640-25380 для H.D. Карстен и № 2014-68002-21768 на имя А.Р. Кеманян и Хэтч Ассигнования в рамках проекта № PEN04600 Номер доступа.1009362 и № PEN04710 и номер доступа 1020049. Авторы также хотели бы поблагодарить двух анонимных рецензентов, чьи обширные предложения значительно улучшили статью. Информация о финансировании: Авторы благодарят Кеннета Боута за его помощь в моделировании люцерны с помощью DSSAT. Это исследование финансировалось Службой сельскохозяйственных исследований Министерства сельского хозяйства США при частичной поддержке Национального института продовольствия и сельского хозяйства Министерства сельского хозяйства США (USDA National Institute of Food and Agriculture).D. Karsten и № 2014-68002-21768 на имя A.R. Кеманян и Хэтч Ассигнования в рамках проекта № PEN04600 Номер доступа. 1009362 и № PEN04710 и номер доступа 1020049. Авторы также хотели бы поблагодарить двух анонимных рецензентов, чьи обширные предложения значительно улучшили статью. Авторские права издателя: © 2020 Elsevier BV
PY — 2020/9/15
Y1 — 2020/9/15
N2 — Основными кормовыми культурами на молочных фермах на северо-востоке США являются люцерна (Medicago sativa L.) и кукуруза (Zea mays Л.). Прогнозируемые изменения климата наряду с повышением концентрации углекислого газа (CO2) в атмосфере повлияют на будущее производство этих культур. Мы оценили урожай кукурузы и люцерны и реакцию эвапотранспирации на обогащение СО2, прогнозируемую тремя моделями систем земледелия, основанными на процессах, CropSyst, DSSAT и IFSM, в шести округах Пенсильвании и Нью-Йорка, используя 25-летнюю суточную погоду и две концентрации атмосферного СО2 ( 350 и 550 ppm). Положительные эффекты обогащения CO2 на рост сельскохозяйственных культур были задокументированы с использованием растений, выращенных в контролируемых условиях CO2; особенно актуальны результаты, полученные на месторождениях с технологией обогащения CO2 в атмосферном воздухе (FACE).Для оценки результаты моделирования сравнивали между моделями и с экспериментальными данными FACE. Три модели моделировали аналогичную реакцию кукурузы на увеличение CO2 для урожайности зерна, общей урожайности биомассы и индекса урожая, с прогнозируемыми ответами в пределах диапазонов, указанных в экспериментах FACE. Модели могли немного переоценить реакцию урожая кукурузы во влажные годы по сравнению с экспериментами FACE. Модели также моделировали повышенную продуктивность люцерны в пределах, наблюдаемых в экспериментах FACE.В то время как DSSAT и IFSM предсказывали увеличение урожайности примерно на 20%, Cropsyst предсказал увеличение урожая на 32%, что находится в верхней границе экспериментальных данных FACE. Для обеих культур модели моделировали меньшее сокращение эвапотранспирации при увеличении CO2, чем измеренное в экспериментах FACE. Большая реакция люцерны может либо сместить севообороты в сторону большего количества люцерны, либо позволить более короткую фазу люцерны в севообороте в зависимости от рыночных и других производственных ограничений. Хотя при моделировании урожайности кукурузы при отсутствии водного стресса и неопределенностях при моделировании эвапотранспирации, которые актуальны для местной и региональной гидрологии, были завышены оценки, эти модели адекватно отражали реакцию урожайности сельскохозяйственных культур на изменения концентрации CO2 в атмосфере.
AB — Основными кормовыми культурами на молочных фермах на северо-востоке США являются люцерна (Medicago sativa L.) и кукуруза (Zea mays L.). Прогнозируемые изменения климата наряду с повышением концентрации углекислого газа (CO2) в атмосфере повлияют на будущее производство этих культур. Мы оценили урожай кукурузы и люцерны и реакцию эвапотранспирации на обогащение СО2, прогнозируемую тремя моделями систем земледелия, основанными на процессах, CropSyst, DSSAT и IFSM, в шести округах Пенсильвании и Нью-Йорка, используя 25-летнюю суточную погоду и две концентрации атмосферного СО2 ( 350 и 550 ppm).Положительные эффекты обогащения CO2 на рост сельскохозяйственных культур были задокументированы с использованием растений, выращенных в контролируемых условиях CO2; особенно актуальны результаты, полученные на месторождениях с технологией обогащения CO2 в атмосферном воздухе (FACE). Для оценки результаты моделирования сравнивали между моделями и с экспериментальными данными FACE. Три модели моделировали аналогичную реакцию кукурузы на увеличение CO2 для урожайности зерна, общей урожайности биомассы и индекса урожая, с прогнозируемыми ответами в пределах диапазонов, указанных в экспериментах FACE.Модели могли немного переоценить реакцию урожая кукурузы во влажные годы по сравнению с экспериментами FACE. Модели также моделировали повышенную продуктивность люцерны в пределах, наблюдаемых в экспериментах FACE. В то время как DSSAT и IFSM предсказывали увеличение урожайности примерно на 20%, Cropsyst предсказал увеличение урожая на 32%, что находится в верхней границе экспериментальных данных FACE. Для обеих культур модели моделировали меньшее сокращение эвапотранспирации при увеличении CO2, чем измеренное в экспериментах FACE.Большая реакция люцерны может либо сместить севообороты в сторону большего количества люцерны, либо позволить более короткую фазу люцерны в севообороте в зависимости от рыночных и других производственных ограничений.