доктор технических наук;
doctor of technical sciences;
доктор сельскохозяйственных наук;
doctor of agricultural sciences;
Продуктивность посевов яровой пшеницы является результатом сложного взаимодействия самых разных факторов. Построение математических моделей с использованием современных методов и подходов позволяют исследовать и оптимизировать условия внешней среды применительно к генетической программе той или иной культуры и тем самым повысить продуктивность посева. Использовались результаты наблюдения урожайности пшеницы в течение 32 лет и восьми основных независимых факторов влияющих на нее: влажность воздуха, эффективная температура за вегетацию, осадки, вегетационный период, содержание клейковины, масса тысячи зерен, масса зерна с одного колоса, длина соломы. Для повышения эффективности модели предварительно был использован факторный анализ. Использование данного анализа позволило выявить латентные взаимосвязи между факторами и сгруппировать данные, тем самым уменьшив размерность задачи. Получены четыре главных компонента (ГК), представляющие собой линейную комбинацию факторных нагрузок и факторов, которые описывают 83% рассеяния выходного фактора. Доля дисперсии, объясненная ГК1, равна приблизительно 37%; ГК2 - 21%, ГК3 - 13%, ГК4 – 12%. Дальнейшее исследование заключалось в построения и сравнении двух математических моделей. Первая – классическая модель с построением уравнения регрессии и вторая – нейросетевая исследовательская модель на базе нейронных сетей типа многослойный персептрон с одним входным одним выходным, и одним скрытым слоем. В качестве входных параметров модели были использованы четыре главных компонента. Построенные модели были протестированы на входном множестве и проверены на адекватность с помощью критерия Фишера. В итоге обе модели показали хорошие результаты, но более схожими с исходными данными оказались результаты нейросетевой модели.
The productivity of spring wheat crops is the result of a complex interaction of many different factors. Construction of mathematical models, using modern methods and approaches, make it possible to explore and optimize the conditions of the environment in relation to the genetic program of a particular culture and thus increase crop productivity. We used the monitoring results of wheat yield for 32 years and eight major independent factors, affecting it: humidity, the effective temperature during the growing season, rainfall, vegetation period, gluten content, the weight of a thousand grains, grain weight from one ear, straw length. The factor analysis was used previously to improve the efficiency of the model. The use of this analysis led to reveal a latent correlation between factors, and group the data, thereby reducing the dimension of the problem. We obtain four main components (MC), corresponding a linear combination of factor loadings and factors, that describe the 83% of output factor dispersion. A part of dispersion, explained by MC1, is approximately 37%; MC2 - 21%, MC - 13% MC4 - 12%. Further investigation is to build and compare two mathematical models. The first classical model is deal with the construction of the regression equation and the second is a neural network research model, based on neural networks of multilayer perceptron type with one input, one output, and one hidden layer. The four major components are used as input parameters of the model. The models were tested on the input set and checked for adequacy of using Fisher’s exact test. As a result, both models showed good results, but more similar to the original data were the results of the neural network model.
Использование интеллектуального анализа многомерных данных является актуальной задачей в любой отрасли исследования. В большинстве реальных задач множество значимых параметров либо размыто, либо не определено, что затрудняет построение адекватных регрессионных моделей и их дальнейшее исследование. Благодаря выявленным скрытым связям между множеством входных переменных, можно существенно повысить эффективность моделей за счет отбрасывания малозначащих переменных, а также группировки данных, имеющих латентные взаимосвязи. Подобные задачи решаются методом факторного анализа[1]. В данной работе современные подходы интеллектуального анализа использованы при математическом моделировании урожайности яровой пшеницы.Продуктивность посевов яровой пшеницы является результатом сложного взаимодействия самых разных факторов внешней среды (тепло, влага, элементы питания и др.) с генетически обусловленными биологическими особенностями выращиваемой культуры (сорта). Осуществить оптимизацию условий внешней среды применительно к генетической программ той или иной культуры можно лишь при целенаправленном управлении комплексом факторов [2-4]. С развитием агрохимии, агрометеорологии и вычислительной техники постоянно создавались теоретические и прикладные основы системы управления ростом и развитием растений в посевах с применением современных технических средств и методов обработки информации [5, 6]. Целью факторного анализа в данной работе является изучение соотношений между переменными влияющих на урожайность пшеницы и их значимости. Материал и методы исследования. Первым этапом данной работы является проведение факторного анализа для выявления значимых переменных, оказывающих влияние на урожайность пшеницы. Полученные результаты будут использованы в качестве входных факторов построенных моделей. Дальнейшее исследование заключается в оценке адекватности математических моделей и сравнении интеллектуального анализа с классическим подходом с построением уравнения регрессии.Анализ и обсуждение результатов исследования. Для проведения факторного анализа были использованы результаты наблюдений за урожайностью яровой пшеницы в течение 32 лет. Известны средние значения по годам следующих восьми независимых факторов, оказывающих влияние на урожайность пшеницы: влажность воздуха, эффективная температура за вегетацию, осадки, вегетационный период, содержание клейковины