ВведениеНеобходимость восстановления лесных ландшафтов в России назрела уже давно. Сейчас начался этап активного государственного участия в процессе лесовосстановления, создания карбоновых площадей, «зеленых столиц» и др. Примерами государственной поддержки служат такие программы, как: 1) Государственная программа «Развитие лесного хозяйства» от 15 апреля 2014 года №318. (в редакции постановления Правительства РФ от 31 марта 2021 г. N 511); 2) пилотный проект Минобрнауки по созданию на территории регионов России карбоновых полигонов (от февраля 2021); 3) распоряжение Белгородской обл. от 25 января 2010 года N 35-рп (с изменениями на 15 февраля 2021 года) О концепции областного проекта «Зеленая столица» и др. Все это дает толчок для активного лесоразведения и лесовосстановления, в том числе: на труднодоступных площадях и в условиях изменения климата [1]. Пытаясь учесть современные тенденции в лесовосстановлении и комплексно подойти к проблеме [2], был разработан алгоритм (рис. 1).   Рисунок 1. Алгоритм, учитывающий современные тенденции при лесовосстановленииFigure 1. Algorithm that takes into account current trends in reforestationИсточник: собственная разработка автора / Source: author's own development  Алгоритм на рис. 1 структурно состоит из 32 технологических операций, значимых – 31 технологическая операция или 31 блок (оператор) алгоритма (без блока «Beginning»). Практически каждый блок алгоритма можно расписать более подробно в части его практической реализации, технических средств, моделей оборудования, производительности оборудования и другое. Процесс лесовосстановления содержит набор технологических операций (набор блоков алгоритма). Для разработанного алгоритма существует 268 вариантов решения или 268 различных наборов технологических операций – это число было получено путем полного перебора [3].Существует диллема – с одной стороны – необходимо детальное рассмотрение каждой технологической операции с ее декомпозицией, а с другой – необходим комплексный глобальный подход ко всему процессу лесовосстановления с учетом современных тенденций развития технологий и средств, применяемых при лесовосстановлении. Разрешением этой диллемы, на наш взгляд, может быть декомпозиция алгоритма на 6 укрупненных групп – I, II, III, IV, V, VI (на рис. 1 группы выделены пунктирными линиями различных цветов). На основе полученных результатов методами Уорда и внутригрупповых связей можно однозначно сказать, что существуют значимые различия между технологическими операциями, обеспечивающими различные этапы лесовосстановления. Так же, данные методы косвенно подтверждают целесообразность декомпозиции разработанного алгоритма на 6 блоков исходя из технологической и технической общности операций.Данная работа посвящена детальному рассмотрению 10-го оператора III группы (сбор семян, предварительная обработка семян) и V группы (сепарирование семян).Материалы и методы Теория алгоритмов использовалась для представления последовательности операционных технологий и оценки возможного набора технологий и технических средств при предварительной обработке семян и сепарировании.Для исследования степени схожести операторов алгоритма по применимости в наборе операций реализации алгоритма использовали визуализированную матрицу близости (proximity matrix), основанную на квадрате Евклидова расстояния (Kovács et al., 2020) между операторами при агломерации набора.Процедуру формирования иерархических групп операторов для (n>100)-количества значений матрицы реализации алгоритмов подготовки и сепарации лесных семян проводили согласно Ward-методу, подробно изложенному в классической работе Joe H. Ward Jr (Ward Jr, 1963). Здесь каждая последующая группа операторов формировалась на основе минимальной дисперсии расстояний – суммы квадратов ошибок (SSE) – между двумя группами по всем переменным (операторам) алгоритмов. Результаты агломерации операторов каждого алгоритма в иерархические группы визуализировали дендрограммой схожести. Базовой платформой для статистической интерпретации результатов исследования служила программа IBM SPSS Statistics, версия 25.Результаты и обсуждениеВ разработанном укрупненном алгоритме (рис. 1) подготовке лесосеменного материала уделено большое внимание, так как исходя из имеющихся входных данных: геоморфологические данные участка; планируемый породный состав; лесовосстановление или лесоразведение; площадь после вырубок, гарей или земли, не входящие в лесной фонд; несущие свойства грунта; количество пней на гектар; максимальный уклон участка; задерненность почвы; климатические характеристики района, можно говорить о различных вариантах лесовосстановления – различных наборах технологических операций. Однако любой набор технологических операций будет включать подготовку и сепарирование лесосеменного материала.На рис. 2 представлена схема последовательности технологических операций подготовки лесосеменного материала хвойных пород, на которой показаны, как основные операции, так и варианты практической реализации данных технологических операций, направленные на подготовку [4-6], сепарирование [7-9], дражирование [10], капсулирование [15] лесосеменного материала хвойных пород. Набор технологических операций зависит от дальнейшего целевого использования лесосеменного материала [11].Исходя из алгоритма лесовосстановления (рис. 1) и схемы (рис. 2) были разработаны алгоритм подготовки лесосеменного материала (рис. 3) и алгоритм сепарирования лесных семян хвойных пород (рис. 7).   Рисунок 2. Схема последовательности технологических операций подготовки лесосеменного материала хвойных породFigure 2. Diagram of the sequence of technological operations for the preparation of softwood seed materialИсточник: собственная композиция автора.Source: author’s composition   Рисунок 3. Алгоритм подготовки лесосеменного материала хвойных породFigure 3. Algorithm of preparation of forest seedmaterial of coniferous speciesИсточник: собственная разработка автораSource: author's own developmentАлгоритм подготовки лесосеменного материала хвойных пород состоит из 13 операторов (технологических операций). Целью реализации алгоритма является подготовка лесосеменного материала хвойных пород для дальнейшей обработки семян (сепарирование, дражирование, капсулирование, праймирование и другое), либо высева семян в контейнеры в питомнике.Для дальнейшего исследования алгоритма построили матрицу реализации алгоритма – 13×16-мерную матрицу подготовки лесных семян (рис. 4), содержащую бинарные значения. При этом столбцы матрицы соответствовали операторам алгоритма – технологическим операциям, а строки – возможным вариантам реализации алгоритма – наборам технологических операций, осуществляемым в процессе подготовки лесных семян хвойных пород.Для исследования степени схожести операторов алгоритма по применимости в наборе операций реализации алгоритма использовали визуализированную матрицу близости (рис. 5), основанную на квадрате Евклидова расстояния между операторами при агломерации набора.  Рисунок 4. Часть бинарной матрицы 13×16Figure 4. Part of a 13×16 binary matrixИсточник: собственные вычисления автораSource: own calculations Рисунок 5. Матрица близости операторов алгоритма подготовки лесных семянFigure 5. Operators proximity matrix of the forest seed preparation algorithmИсточник: собственные вычисления автораSource: own calculationsОсновываясь на результаты матрицы близости операторов алгоритма подготовки лесных семян (рис. 5) определено, что оператор алгоритма – технологическая операция номер 9 (сушка шишек посредством шахтных шишкосушилок), достаточно далеко удалена от центра групп. Можно сделать вывод, что в дальнейшем при разработке оптимизационной математической модели можно не учитывать данную технологическую операцию. Процедуру формирования иерархических групп операторов для (n>100)-количества значений матрицы реализации алгоритмов подготовки лесных семян хвойных пород проводили согласно Ward-методу. Каждая последующая группа операторов формировалась на основе минимальной дисперсии расстояний – суммы квадратов ошибок (SSE) – между двумя группами по всем переменным (операторам) алгоритмов. Результаты агломерации операторов алгоритма в иерархические группы визуализированы дендрограммой схожести на рис. 6.Анализируя дендрограмму на рисунке 6, видим, что наибольшая схожесть наблюдается у группы операторов 1, 2, 3, 5, 6, 10, 13, 11. В алгоритме подготовки лесосеменного материала хвойных пород данный набор технологических операций можно охарактеризовать, как простейший вариант набора операций. Вторая значимо отличающаяся группа состоит из операторов 1, 2, 4, 7, 8, 9. Данный набор операций можно охарактеризовать, как альтернативный. Рисунок 6. Дендрограмма агломерации операторов алгоритма подготовки лесных семянFigure 6. Dendrogram of agglomeration operators of the forest seed preparation algorithmИсточник: собственные вычисления автора.Source: own calculations.  Рисунок 7. Алгоритм сепарирования лесных семян хвойных породFigure 7. Algorithm of coniferous forest seeds separation Источник: собственная разработка автораSource: author's own development  В основе алгоритма сепарирования лесных семян хвойных пород лежат исследования в области сепарирования по количественным признакам (плотности и геометрии семян) [12-14], по качественным признакам (в ИК-диапазоне и видимом диапазоне) [16-18].Для исследования алгоритма построили 14×35-мерную матрицу сепарации лесных семян (рис. 8), содержащую бинарные значения. Столбцы матрицы соответствуют операторам алгоритма (технологическим операциям), строки – набор технологических операций. Рисунок 8. Часть бинарной матрицы 14×35Figure 8. Part of a 14×35 binary matrixИсточник: собственные вычисления автораSource: own calculationsБинарная матрица (рис. 8) легла в основу расчета матрицы близости операторов алгоритма сепарации лесных семян (рис. 9). Рисунок 9. Матрица близости операторов алгоритма сепарации лесных семян Figure 9. Operators proximity matrix of the forest seed separation algorithmИсточник: собственные вычисления автораSource: own calculationsАнализ матрицы близости операторов показывает, что нет отдельных операций далеко удаленных от центра групп. Таким образом, в дальнейших исследованиях при разработке оптимизационной математической модели необходимо рассматривать и учитывать все технологические операции представленные на рис.е 7.Анализируя дендрограмму на рис. 10, видим, что наибольшая схожесть наблюдается между операторами в следующих группах: 1) 1,2,3,5,9,14; 2) 1,4,6,10,11,12,13; 3) 4,7,8,11,13. Опираясь на алгоритм 7, можно утверждать, что первая группа операторов описывает наиболее короткий и простой (с точки зрения технологии и применяемых технических средств) путь реализации алгоритма. Вторая группа – самый длинный и технологически наиболее сложный путь реализации алгоритма. Третья группа показывает необходимость предварительного гравитационного сепарирования перед выделением спектрометрических групп. Рисунок 10. Дендрограмма агломерации операторов алгоритма сепарации лесных семянFigure 10. Dendrogram of agglomeration operators of the forest seed separation algorithmИсточник: собственные вычисления автораSource: own calculationsНа основе полученных результатов методами Уорда и внутригрупповых связей можно однозначно сказать, что существуют значимые различия между наборами технологических операций.ЗаключениеИсследования в области комплексного подхода к лесовосстановлению [19] показали необходимость детального изучения отдельных декомпозированных групп операций [3]. В данной работе разработаны алгоритм подготовки семян и алгоритм сепарирования семян, представлены бинарные матрицы, анализ схожести операций проведен Ward-методом.