сотрудник
сотрудник
сотрудник
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.
нейронная сеть, факторный анализ, яровая пшеница, интеллектуальный анализ.
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
1. Болч Б., Хуань К. Дж. Многомерные статистические методы для экономики -М.:Статистика, 1979.- 317с.
2. Абдрахманов Р.Х. Некоторые проблемы анализа и управления процессом формирования урожайности / Р.Х. Абдрахманов. -Оренбург, 1998. - 448с.
3. Жученко А.А. Адаптивное растениеводство (Эколого-генетические основы). -М.: Изд-во «Агрорус», 2009. - 172с.
4. Зиганшин А.А. Современные технологии и программирование урожайности /А.А. Зиганшин. -Казань: Изд-во Казанского университета, 2001. - 172с.
5. Сержанов И.М. Яровая пшеница в северной части лесостепи Поволжья /И.М. Сержанов, Ф.Ш. Шайхутдинов. -Казань, 2013. -234с.
6. Таланов И.П. Оптимизация приемов формирования высокопродуктивных цензов яровой пшеницы /И.П. Таланов. -Казань, 2003, - 174с.
7. Новикова С.В., Ибятов Р.И., Валиев А.А., Кремлева Э.Ш. Нейросетевые методы поиска скрытых связей в многомерных данных// Сборник трудов международной научной конференци «Математические методы в технике и технологиях». - Саратов: Изд-во Сарат. гос.техн. ун-т имени Гагарина Ю.А., 2014. - С. 128-131.
8. Новикова С.В., Ибятов Р.И., Валиев А.А., Кремлева Э.Ш. Нейросеть обратного распространения ошибки для анализа выброса свинца в атмосферу от вида и количества транспорта // Сборник трудов Материалы международной научно-практической конференции «Научное сопровождение агропромышленного комплекса: теория, практика, перспективы». - Казань: Изд-во Казанского ГАУ, 2015. - С. 269-271.
9. Ибятов Р.И., Шайхутдинов Ф.Ш., Валиев А.А. Факторный анализ данных, влияющих на урожайность пшеницы // Материалы международной научно-практической конференции «Аграрная наука ХХI века. Актуальные исследования и перспективы» - Казань: Изд-во Казанского ГАУ, 2016. - С. 77-79.
