CC BY
50
АГРОПРОМЫШЛЕННАЯ ИНЖЕНЕРИЯ
УДК 631.153:004.942
СИСТЕМНО-КОГНИТИВНАЯ МОДЕЛЬ И МЕТОДИКА ЕЕ ПРИМЕНЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ УРОЖАЙНОСТИ ОЗИМОЙ ПШЕНИЦЫ
О.В. Кочеткова, доктор технических наук, профессор Д.А. Оспищев, старший преподаватель
Волгоградский государственный аграрный университет Н.В. Шевченко, старший преподаватель Черкасский филиал Европейского университета
В статье изложены материалы, посвященные методике применения системно-когнитивной модели для прогнозирования урожайности озимой пшеницы на разных фазах вегетации. Приведены научно обоснованные рекомендации по управлению урожайностью и качеством сельскохозяйственной продукции.
Ключевые слова: урожайность, качество пшеницы, когнитивное моделирование, система «Эйдос».
Управление в агропромышленном комплексе (АПК) всегда представляло собой определенную проблему, имеющую комплексную, межотраслевую природу. Проблема состоит как в рациональном выборе целей производства для конкретных хозяйств, так и в оценке их достижимости и выборе путей достижения.
Одним из важнейших видов обслуживания сельского хозяйства являются долгосрочные научно обоснованные прогнозы состояния и ожидаемой продуктивности сельскохозяйственных растений на разных фазах их развития. Прогнозирование событий позволяет определить различного рода последствия, подготовиться или предотвратить отрицательные, реализовать положительные.
Согласно принципу Эшби, управление может быть обеспечено только в том случае, если разнообразие средств системы управления, по крайней мере, не меньше, чем разнообразие управляемой ситуацией. Таким образом, число факторов в модели управления должно быть не меньше числа состояний объекта управления.
Проблемная ситуация усугубляется тем, что информация о состоянии АПК отличается неточностью, т.е. является суммой истинных значений показателей и искаженных данных, которая связана с тем, что аграрии могут выдать в отчетах неправдивую информацию. Кроме того, органы официальной статистики регулярно изменяют формы отчетности. Восстановить же отсутствующую информацию, например, путем проведения экспериментов не представляется возможным.
Система управления сложными динамическими объектами должна быть интеллектуальной и позволять проводить обучение, адаптацию или настройку модели объекта управления за счет накопления и анализа информации о поведении этого объекта при различных сочетаниях действующих на него факторов.
Методика прогноза урожайности озимой пшеницы для основных районов ее возделывания была разработана Е.С. Улановой. Автором было установлено, что наиболее тесная связь урожайности озимой пшеницы наблюдается с запасами продуктивной влаги в метровом слое почвы в декаду весеннего обследования и декаду массового выхода в трубку с числом стеблей на 1 м2, а также высотой растений в период роста стебля в фазах кущения, колошения и молочной спелости. Для прогноза урожайности озимой пшеницы были получены прогностические уравнения, включающие основные фак-
торы, рассчитанные на большие колхозы и совхозы, однако точность расчетов при помощи данных уравнений была невысокая.
Исследованиями в области прогнозирования результатов выращивания сельскохозяйственных культур и разработкой средств поддержки принятия решений по рациональному выбору агротехнологий успешно занимаются сотрудники Кубанского государственного аграрного университета под руководством д.б.н., к.т.н., профессора Лу-ценко Е.В. [1-6].
Методологической и инструментально-технологической основой данных исследований является системно-когнитивный анализ (СК-анализ) и интеллектуальная система «Эйдос». СК-анализ представляет собой новый перспективный математический и инструментальный метод экономики, характеризующийся универсальной непараметрической математической моделью, основанной на семантической теории информации, наличием методики численных расчетов и реализующего их программного инструментария.
Основная идея СК-анализа состоит в автоматизации системного анализа как метода познания и включении его непосредственно в цикл управления в качестве периодически выполняемого этапа, что обеспечивает не только непрерывную адаптацию модели управления к количественным изменениям в предметной области, но и сохранение ее адекватности после качественных изменений объекта управления.
СК-анализ позволяет выявить и исследовать виды причинно-следственных зависимостей между составом, внутренней структурой и эмерджентными свойствами системы. На основе эмпирических данных строятся формальные модели, количественно отражающие силу и направления влияния значений факторов на поведение моделируемой системы, в частности, на переход ее в различные будущие состояния. На основании полученных результатов можно выбрать рекомендации по формированию таких управляющих значений, которые с наивысшей степенью детерминированности переводят управляемую систему в заданное целевое состояние.
Целью работы является разработка системно-когнитивной модели и методики ее применения для прогнозирования урожайности озимой пшеницы на разных фазах вегетации, обеспечивающих с высокой вероятностью желаемый хозяйственный и финансово-экономический результат.
Для синтеза системно-когнитивной модели прогнозирования урожайности осуществляется структуризация и формализация предметной области, подготовка исходных данных, в качестве которых используются описательные и классификационные шкалы, а также их градации. Описательные шкалы и градации определяют факторы различной природы, влияющие на результаты растениеводства.
Описательные шкалы содержат основные признаки: вид севооборота, сорта, способы посева, применение гербицидов и регуляторов роста, защита растений от вредителей и болезней, нормы высева, тип ротации севооборота, виды предшественников.
Классификационные шкалы и градации предназначены для ввода справочника будущих состояний активного объекта управления - классов, к которым относятся урожайность и качество пшеницы.
База исходных данных, в которую помещаются эмпирические данные, т.е. данные, полученные на основе опыта и практики, формируется в EXCEL и записывается в файл Inp_data.xls. В первом столбце указывается наименование источника данных, во второй и следующие столбцы заносятся значения классов, полученные из эмпирических данных. В следующие столбцы заносятся значения описательных шкал-параметров, влияющих на исследуемые градации классов.
***** ИЗВЕСТИЯ *****
№ 4 (36) 2014
НИЖНЕВОЛЖСКОГО АГРОУНИВЕРСИТЕТСКОГО КОМПЛЕКСА
Файл Inp_data.xls помещается в папку Inp_data и в режиме 2.3.2.2 система «Эй-дос» создает новое приложение, при вводе данных системе сообщаются номера столбцов класса и описательных шкал-факторов.
Затем осуществляется синтез и верификация (оценка степени адекватности) семантических информационных моделей. Для синтеза моделей в СК-анализе в настоящее время используется 7 частных критериев знаний ЮТ1-ЮТ7, а для верификации моделей и решения задач идентификации и прогнозирования 2 интегральных критерия сходства: «Семантический резонанс знаний» и «Сумма знаний». Частные критерии знаний ШБ1-ЮТ7, по сути, являются формулами для преобразования абсолютных частот в количество информации и знания.
Система «Эйдос» генерирует обобщающий отчет по итогам идентификации, в котором в каждой строке дана информация о классе, с которым распознаваемый объект имеет наивысший уровень сходства (в процентах). Система также выявляет взаимосвязи между применяемыми технологиями и полученными результатами и формирует так называемые информационные портреты признаков, в которых отражает степень влияния параметра на градации выбранного класса.
В результате выполненного исследования выявлена степень влияния удобрений на качество пшеницы «Ценная»: наибольшее влияние на качество этого сорта пшеницы оказывает неорганическое, сложное, комплексное удобрение марки ЫР. Степень влияния ротации севооборота «Вторая» на качество пшеницы «Ценная» в 10 раз выше, чем влияние этого фактора на качество «Рядовая». Степень влияния ротации севооборота «Вторая» на урожайность «Высокая» также в 10 раз выше, чем на урожайность «Низкая». Для получения высоких урожаев и хорошего качества продовольственного зерна озимую пшеницу целесообразно размещать после многолетних бобовых трав: клевера или клевера с подсевом злаковых трав.
В данном исследовании была проверена способность системы «Эйдос» прогнозировать хозяйственные результаты на массиве уже введенных формализованных паспортов, а также получены лепестковые диаграммы, приведенные на рис. 1 и отображающие влияние основных параметров, заданных в относительных единицах, на урожайность пшеницы.
1'
а)
б)
в)
7 ь
Г) д)
Рисунок 1 - Диаграммы влияния основных факторов на урожайность пшеницы: а - высокая; б - выше средней; в - средняя; г - ниже средней; д - низкая
В вершинах лепестковых диаграмм в относительных единицах приведено влияние на урожайность следующих факторов: 1 - вид севооборота; 2 - сорта; 3 - способы посева; 4 - применение гербицидов и регуляторов роста; 5 - защита растений от вредителей и болезней; 6 -нормы высева; 7 - ротация севооборота; 8 - виды предшественников; 9 - глубина и способ обработки почвы; 10 - сроки сева; 11 - система удобрений.
Для получения урожайности пшеницы «Высокая» и «Выше средней» решающую роль играют 7 факторов: вид севооборота, сорта, способы посева, применение гербицидов и регуляторов роста, защита растений от вредителей и болезней, нормы высева и ротация севооборота.
Получению урожайности «Выше средней» и «Средней» в первую очередь способствуют только первые 6 факторов, приведенные выше. Урожайность «Низкая» получается при невыполнении требований хотя бы по одному из 10 факторов, приведенных на диаграмме.
Недостатком системы «Эйдос» является отсутствие возможности внесения каких-либо существенных корректив в процесс построения модели - система автоматически формулирует правила и весовые коэффициенты, а пользователь может только выбрать одну из семи предложенных моделей знаний и откорректировать обучающую выборку. Таким образом, при использовании системы «Эйдос» приходится полностью полагаться на выводы, сделанные самой системой на основании обучающей выборки, участие эксперта в процессе построения модели сводится к минимуму [7].
Система «Эйдос», а также методика и технология ее применения являются адекватным инструментом для прогнозирования и поддержки принятия решений в растениеводстве. С помощью сформированной содержательной информационной модели можно спрогнозировать результаты выращивания сельскохозяйственных культур и выработать научно-обоснованные рекомендации по управлению урожайностью и качеством сельскохозяйственной продукции.
Библиографический список
1. Горпинченко, К.Н. Прогнозирование и принятие решений по выбору агротехнологий в зерновом производстве с применением методов искусственного интеллекта (на примере СК-анализа) [Текст]: монография (научное издание) / К.Н. Горпинченко, Е.В. Луценко. - Краснодар, КубГАУ, 2013. - 168 с.
2. Луценко, Е.В. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта [Текст]: монография (научное издание) / Е.В. Луценко, В.И. Лойко, Л.О. Великанова. - Краснодар: КубГАУ, 2008. - 257 с.
3. Луценко, Е.В. Когнитивные функции как обобщение классического понятия функциональной зависимости на основе теории информации в АСК-анализе и системной нечеткой интервальной математике [Текст] / Е.В. Луценко, А.И. Орлов // Научный журнал КубГАУ. -2014. - №95(01). - C. 1-62.
4. Луценко, Е.В. Лабораторный практикум по интеллектуальным информационным системам [Текст]: учебное пособие для студентов специальности «Прикладная информатика (по областям)» и другим экономическим специальностям/ Е.В. Луценко. - 2-е изд., перераб. и доп.
- Краснодар: КубГАУ, 2006. - 318 с.
5. Луценко, Е.В. Универсальная когнитивная аналитическая система «ЭЙДОС-Х++» [Текст]: пат. № 2012619610 РФ. Заявка № 2012617579 РФ от 10.09.2012. Зарегистр. 24.10.2012.
- 50 с.
6. Трунев, А.П. Автоматизированный системно-когнитивный анализ влияния факторов космической среды на ноосферу, магнитосферу и литосферу Земли [Текст] : монография (научное издание)/ А.П. Трунев, Е.В. Луценко; под науч. ред. д.т.н., проф. В.И. Лойко. - Краснодар, КубГАУ, 2012. - 480 с.
7. Кочеткова, О.В. Когнитивный подход к управлению урожайностью в АПК [Текст] / О.В. Кочеткова, Д.А. Оспищев. - Волгоград: ВолГАУ, 2014.
E-mail: [email protected]
