д

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.