д.э.н. Луценко
Е.В., д.с.-х.н. Драгавцева И.А., Доможирова В.В.
Федеральное
государственное бюджетное образовательное учреждение высшего профессионального
образования «Кубанский государственный аграрный университет», Россия; Государственное
научное учреждение Северо-Кавказский зональный научно-исследовательский
институт садоводства и виноградарства Россельхозакадемии, Россия
Методы многокритериальной оценки биологических и метеорологических
характеристик
Введение
Исторически сложившиеся традиционные ареалы выращивания
плодовых культур могут не совпадать с фактически оптимальными. Само понятие
«оптимальности» нуждается в изучении и определении. Прежде всего, оно является
многокритериальным, т.е. включает не только экономическую необходимость
выращивания тех или иных культур, на и возможность этого, обусловленную всей
совокупностью факторов, характеризующих условия выращивания в сопоставлении с
требованиями, определяемыми биологическими свойствами культур и сортов.
В данном исследовании ставится цель создать картографическую
визуализацию зон оптимального и рискованного выращивания плодовых культур на
юге России.
Основная проблема, которую необходимо решить для
достижения поставленной цели, состоит в отсутствии инструментария и технологий,
обеспечивающих выявление и изучение факторов, влияющих на успешность
выращивания сельскохозяйственных культур [3, 4, 5, 6, 9].
Это связано с тем, что огромные объемы информации по
условиям и результатам выращивания, накопленной за десятки лет, находятся в
бумажной форме, и не преобразованы в электронную форму, допускающую
автоматизированную количественную обработку.
Не ясно, какие математические модели могут быть
использованы для обработки этой информации, т.к. она характеризуется огромной
размерностью (десятки тысяч градаций факторов и результатов выращивания),
непараметричностью, неполнотой (фрагментарностью), неточностью. Кроме того,
отсутствующие данные не могут быть восполнены в результате специально
организованного эксперимента. Эффективность математической модели должна быть
подтверждена в соответствии с принятыми в науке стандартами, на новых данных,
что требует многолетних исследований с уже существующим инструментарием [7].
Традиционно проблема районирования сортов решалась
путем обобщения фактических результатов выращивания тех или иных сортов в
различных регионах за длительный исторический период. В этом подходе, однако,
есть существенные недостатки. Традиционные ареалы выращивания сортов
обусловлены не только объективными ландшафтно-климатическими факторами, но и
традициями этносов, а также путями и исторически сложившимися зонами их
расселения. Это означает, что, с одной стороны, в ряде случаев сорта
возделываются там, где это не вполне оправдано по объективным условиям, а с
другой стороны, наоборот, они могут не возделываться там, где для этого
существуют наилучшие природные условия. Традиционный подход не позволяет на
количественном уровне оценить степень соответствия объективных условий в той
или иной точке для выращивания заданной культуры или сорта [1, 2].
Постановка
задачи
Предлагается путь решения поставленной проблемы путем
поэтапной постановки и решения следующих задач:
1. Формализация предметной области: проектирование
иерархической информационной модели предметной области, обеспечивающей
оптимальность формализованного представления фактографической информации. Выбор
исследуемой системы факторов на основе системного подхода (основное требование:
полнота и всесторонность описания объекта исследования).
2. Организация источников информации: разработка
формализованного паспорта для подготовки исходной информации, организация сбора
и поступления информации для ввода в автоматизированную систему.
3. Мониторинг: накопление в электронной форме
информации по условиям и результатам выращивания (прежде всего с использованием
верифицированной ретроспективной информации).
4. Анализ (изучение силы и направленности влияния
факторов; оптимизация, т.е. устранение избыточности системы факторов).
5. Прогнозирование результатов выращивания различных
сортов в заданном пункте выращивания.
6. Управление: разработка научно-обоснованных
рекомендаций по выбору оптимальных пунктов для выращивания заданного сорта.
7. Картографическая визуализация результатов
прогнозирования и рекомендаций по управлению.
При решении поставленных задач необходимо разработать
математическую модель, алгоритмы и структуры данных, программный инструментарий
и технологию его применения, обеспечивающие накопление баз данных о фактических
результатах выращивания (мониторинг), анализ этих данных с целью выявления
причинно-следственных зависимостей между свойствами сортов, прогнозирование их
оптимального размещения.
Результаты
Математическая модель, обеспечивающая решение
поставленной проблемы, относится к классу моделей распознавания образов и
принятия решений, т.к. по системе факторов, характеризующих место выращивания
(прежде всего, характеристика почв и метеоусловий), определяются оптимальные
сорта для выращивания или принимается решение о выборе оптимальных сортов для
выращивания в данном пункте. (Распознавание есть ни что иное, как принятие
решения о принадлежности распознаваемого объекта или его состояния к
определенному классу).
Применение математических моделей, основанных на
методах распознавания образов, регрессионного и дискриминантного анализа,
решают следующие задачи:
– оценка степени адекватности условий в нише или
макронише выращивания для заданной номенклатуры плодовых культур;
– картографическая визуализация результатов решения
поставленной задачи с применением технологий существующих геоинформационных
систем;
– реализация этой технологии в непосредственно в
создаваемой системе.
Система включает две основные базы данных и большое
количество вспомогательных. К основным относится база биологических данных (форма
паспорта приведена на рисунке 1) и банк метеоданных (рисунок 2).
Рисунок 1 – Экранная форма электронного паспорта
Электронная база метеоданных имеет представленный ниже
вид и в настоящее время содержит сотни тысяч записей о суточных метеоусловиях
по десяткам метеопараметров в точках расположения метеостанций.
Рисунок 2 – Электронная база метеоданных
Создана версия автоматизированной системы мониторинга
анализа и прогнозирования развития плодовых культур. Она содержит пять основных
подсистем: 1) словари; 2) генерация метеобаз данных; 3) ввод-корректировка
паспортов биологических баз данных; 4) расчеты выходных форм; 5) режим
администратора системы; 6) информация о системе (см. рисунок).
В свою очередь, подсистема «Словари» содержит 11
режимов, обеспечивающих ведение справочников: страны, регионы, районы,
населенные пункты, метеостанции, типы почв, пункты выращивания, типы культур,
культуры, подвои, сорта. Справочники взаимосвязаны друг с другом. Они
организованы таким образом, чтобы минимизировать трудоемкость ввода информации
и количество ошибок ввода.
Подсистема «Генерация метеобаз данных» преобразует
метеобазы из одного стандарта в другой, удобны для пользователя и введения
метеобаз данных. Это преобразование осуществляется в несколько этапов: 1)
преобразование из исходного стандарта в текстовый файл; 2) преобразование из
текстового файла в используемый стандарт, ведение метеобазы.
Подсистема «Ввод паспортов биологической базы данных»
включает режим каталога паспортов и режим ввода-корректировки конкретного
паспорта. Для ввода различных разделов паспорта реализованы вкладки: фазы дифференциации
плодовых почек сортов; образование и развитие археспориальной ткани; фенология;
ростовые характеристики; адаптивные свойства; агротехнические мероприятия.
Подсистема «Расчеты выходных форм» обеспечивает
численные расчеты с использованием информации метео- и биологических баз данных
с привязкой к географическим координатам. Подсистема «Сервис» позволяет
переиндексировать все базы данных и создать их архив. Режим администратора
позволяет изменить права доступа пользователей к различным подсистемам и
режимам системы.
Выводы
Представлены алгоритмы создания картографической
визуализации зон оптимального и рискованного выращивания плодовых культур на
юге России.
Разработана математическая модель, программный
инструментарий и технология его применения, обеспечивающие накопление баз
данных мониторинга выращивания плодовых культур, их анализ для выявления
причинно-следственных зависимостей между свойствами сортов, условиями и
результатами выращивания, а также прогнозирование их оптимального размещения.
Литература:
1. Драгавцева, И.А. Качественные и количественные
критерии экологического оптимума и риска возделывания плодовых культур на
Северном Кавказе / И.А.Драгавцева [и др.] // Системообразующие экологические
факторы и критерии зон устойчивого развития плодоводства на Северном Кавказе. –
Краснодар, 2001, – С. 141-261.
2. Драгавцева, И.А., Лопатина, Л.М., Гронина, Ю.В.
Разработка новой методологии
оптимального размещения плодовых культур и их сортов // Пути размещения
интенсификации и кооперации в селекции садовых культур и винограда. (Материалы
Координационного совещания селекционеров – садоводов и виноградарей. 2002г.). –
Краснодар, 2002. – С. 97-101.
3. Драгавцева, И.А. Применение системного анализа для прогнозирования успешности выращивания
сельскохозяйственных культур (на примере плодовых) / И.А.Драгавцева,
Л.М.Лопатина, Е.В.Луценко [и др.] // В сб. «Формы и методы повышения
эффективности координации исследований
для ускорения процесса передачи реальному сектору экономики завершенных
разработок». – Краснодар: СКЗНИИСиВ, 2002. – С. 62-67.
4. Драгавцева, И.А., Луценко, Е.В., Лопатина, Л.М.
Применение автоматизированного системного анализа для прогноза продуктивности
плодовых культур на юге России // Научное обеспечение современных технологий
производства, хранения и переработки плодов и ягод в России и странах
СНГ/ВСТИСП. – М., 2002. – С. 17-20.
5. Лопатина, Л.М., Клочков, С.А., Бурдун, А.М. Дрейф
оценки числа генов, детерминирующих количественные признаки, при смене внешних
лимитирующих условий // Адаптация возделываемых растений к экологическим и
технологическим факторам. – Краснодар, 1993. – С. 38-43.
6. Лопатина, Л.М., Кравцов, А.М. Методы
математического обеспечения
мониторинговых исследований // Агро-экологический мониторинг в
земледелии Краснодарского края. – Краснодар, 1997. – С. 14-20.
7. Лопатина, Л.М., Кудряшов, И.Н. Роль теории
планирования в многофакторных полевых экспериментах // Научные труды
Краснодарского НИИСХ им. П.П. Лукьяненко. – 1996. – С. 156-161.
8. Лопатина, Л.М. Создание автоматизированной системы
мониторинга, анализа, прогноза и управления продуктивностью сельскохозяйственных
культур / Л.М.Лопатина, Е.В.Луценко // Политематический сетевой электронный
научный журнал Кубанского государственного аграрного университета (Научный
журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2003. – №02(002). –
С. 52-61. – IDA [article ID]: 0020302007. – Режим доступа:
http://ej.kubagro.ru/2003/02/pdf/07.pdf, 0,625 у.п.л.
9. Луценко, Е.В. Автоматизированный
системно-когнитивный анализ в управлении активными объектами (системная теория
информации и ее применение в исследовании экономических,
социально-психологических, технологических систем): Монография (научное
издание). – Краснодар: КубГАУ, 2002. – 605 с.
10. Пат. № 2003610433 РФ. Автоматизированная система
мониторинга, анализа и прогнозирования развития сельхозкультур «ПРОГНОЗ-АГРО» /
И.А.Драгавцева (Россия), Е.В. Луценко (Россия), Л.М.Лопатина (Россия); Заяв. №2002611927
РФ. Опубл. От 18.02.03. – 50 с.
11. Пат. № 2003620035 РФ. База данных
автоматизированной системы мониторинга, анализа и прогнозирования развития
сельхозкультур «ПРОГНОЗ-АГРО» / И.А.Драгавцева (Россия), Е.В. Луценко (Россия),
Л.М.Лопатина (Россия); Заяв. №2002620178 РФ. Опубл. От 20.02.03. – 50 с.