WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

 
На правах рукописи




Буре Владимир Мансурович

Методология и программно-математический инструментарий информационного обеспечения точного земледелия

Специальность 05.13.18 математическое моделирование, численные методы и комплексы программ

Автореферат

диссертации на соискание ученой степени

доктора технических наук

Санкт-Петербург 2009

Работа выполнена в Государственном научном учреждении ордена Трудового Красного Знамени Агрофизическом научно-исследовательском институте Россельхозакадемии

Научный консультант:

член-корреспондент Россельхозакадемии,

доктор сельскохозяйственных наук, профессор

Якушев Виктор Петрович

Официальные оппоненты:

заслуженный деятель науки РФ,

доктор технических наук, профессор

Полуэктов Ратмир Александрович

доктор физико-математических наук, профессор

Мазалов Владимир Викторович

доктор физико-математических наук, профессор

Андрианов Сергей Николаевич

Ведущая организация: Российский Государственный Педагогический Университет им. А.И. Герцена, кафедра информационных систем и программного обеспечения.

Защита состоится  «____» _____________ 2009 года в  ____ч. ____мин. на заседании диссертационного совета Д 006.001.01 при ГНУ Агрофизический научно-исследовательский институт Россельхозакадемии по адресу: 195220, г. Санкт-Петербург,

Гражданский проспект, д.14.

С диссертацией можно ознакомиться в библиотеке Агрофизического научно-исследовательского  института

Автореферат разослан «____» _____________ 2009 года.

Отзывы на автореферат в двух экземплярах, заверенных печатью, просим направлять по адресу:  195220, г. Санкт-Петербург, Гражданский проспект, д.14, ГНУ АФИ Россельхозакадемии.

Ученый секретарь диссертационного совета, доктор биологических наук

__________________  Е.В. Канаш

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. В развитии сельскохозяйственного производства растениеводческой продукции переход к дифференцированным технологиям точного земледелия, безусловно, является перспективным направлением. Точное земледелие является новаторским подходом к решению проблем зеленой революции,  оно базируется на новейших достижениях не только традиционных областей агрономической науки, но и других областей знаний. В его основе  лежит управление продуктивностью посевов, учитывающее пространственно-временную вариабельность среды обитания растений. Точное земледелие рассматривается как неотъемлемая часть ресурсосберегающего экологического сельского хозяйства, которое подразумевает применение интегрированной системы управления, а не отдельных ее разрозненных элементов, и открывает перед производителями новые возможности, особенно в плане обеспечения условий для получения запрограммированного объема продуктов растениеводства высокого качества.

Однако для реализации на практике этой концепции требуется эффективное научное обеспечение. Центральное место в обосновании применения системы точного земледелия занимают вопросы его информационного обеспечения. Особенно велика роль информационного обеспечения земледелия на уровне конкретного хозяйства для решения плановых технологических и оперативных задач по управлению продукционным процессом сельскохозяйственных культур. Объем и качество информационного обеспечения на этом уровне напрямую зависят от наличия и возможностей физико-технических и программных средств.

Цель работы. Целью диссертационной работы является разработка методологии и программно-математического инструментария по развитию информационной базы управленческих решений в точном земледелии.  Идея достижения этой цели  основана на построении вероятностно-статистических моделей поддержки принятия решений, на применении к анализу натурных данных различных методов прикладной статистики, позволяющих проводить сравнительную оценку полученных выводов и тем самым способствовать повышению их надежности и достоверности.

Задачи исследования. Для достижения указанной цели в диссертации предложена концепция совершенствования информационного обеспечения точного земледелия, в рамках которой было необходимо:

-        сформулировать постановки и разработать алгоритмы решения актуальных для точного земледелия задач вероятностно-статистического моделирования в условиях стохастической неопределенности и изменчивости.  К их числу относятся следующие задачи:

  • выбор оптимального момента времени для проведения агротехнологической операции в условиях неопределенности и использование статистической информации для практической реализации оптимальных решений;
  • оценка биоэквивалентности двух относительно больших участков сельскохозяйственного поля по урожайности культуры за несколько лет;
  • выделение однородных технологических зон на сельскохозяйственном поле по урожайности отдельных небольших участков за один год;
  • информационное обеспечение прецизионного внесения удобрений на основе электронных карт урожайности;
  • разработка новых методик адаптивного прогнозирования временных рядов и их апробация на примере прогноза временного ряда среднесуточных температур воздуха;
  • разработка алгоритмов оценивания логит и пробит моделей и схемы их применения в прогнозировании продуктивности сельскохозяйственных культур;

-        обосновать и предложить методологию статистического анализа натурных данных, получаемых в экспериментальных исследованиях и прецизионных опытах; разработать методы и модели анализа данных в рамках параметрической и непараметрической статистик, а также рассмотреть вопросы анализа надежности и оценки достоверности полученных результатов; 

-        создать программный комплекс по непараметрической статистике;

-        разработать программное обеспечение задач вероятностно - статистического моделирования, адаптивного прогнозирования, логит и пробит анализов и построения эмпирических зависимостей.

Теоретическим значением и  научной новизной обладают:

  • Предложенная математическая постановка задачи выбора оптимального момента времени в условиях стохастической неопределённости и её конкретное решение при различных исходных данных являются методологической основой исследования широкого круга оптимизационных задач для процессов, реализация которых носит вероятностный характер. Результаты получены впервые и основаны на трех доказанных теоремах.
  • Теоретически обоснованные и программно реализованные алгоритмы оценки степени внутриполевой однородности сельскохозяйственных угодий по интегральной продуктивности за ряд лет на сравниваемых участках, с одной стороны, и по распределению урожайности на заданной территории за конкретный год, с другой стороны, представляют собой в совокупности эффективный инструментарий автоматизированного определения границ технологических зон для научно-обоснованного планирования работ по дифференцированному применению агроприёмов в системе точного земледелия.
  • Программно реализованный новый алгоритм, основанный на разработанной нами модификации метода Брауна по адаптивному прогнозированию временных рядов, характеризующих агрометеорологические условия произрастания сельскохозяйственных культур.
  • Предложенная и программно реализованная методика прогнозирования продуктивности сельскохозяйственных культур по выбранному набору агрохимических, агрофизических, агротехнических и других факторов на основе логит и пробит моделей. Впервые исследован вопрос об информативности используемого набора факторов и их достаточности для оценки гарантированного значения вероятности превышения порогового уровня урожайности для заданного поля.
  • Предложенная методология и разработанное оригинальное программное обеспечение обработки и анализа натурных данных на основе сопряжённого применения методов параметрической и непараметрической статистик. Впервые выполнена классификация рекомендуемых параметрических и непараметрических методов с указанием условий проведения сравнительного анализа основных статистических гипотез.

Практическая значимость. Полученные в диссертации результаты могут быть использованы в научно-исследовательских организациях страны, где проводятся экспериментальные исследования с биологическими объектами и поэтому возникает необходимость в надежной обработке и достоверном анализе добываемых данных. Для этих целей подготовлены методические материалы, опубликованные в виде двух авторских монографий «Методология статистического анализа опытных данных» (2007) и «Комплекс программ по непараметрической статистике в среде Matlab» (2008), а также было издано несколько практических пособий по рассматриваемой тематике.

Востребованность в проведенных исследованиях чрезвычайно актуальна для конкретных хозяйств, внедряющих системы точного земледелия, как для анализа накапливаемой информации, так и в части решения оптимизационных и прогностических задач, а также в выявлении внутриполевых границ однородности участков для последующего дифференцированного применения технологических воздействий на заданном сельскохозяйственном поле. Так, например, в рамках государственного контракта с МСХ РФ № 957/13 от 11.08.2006 г., который выполнялся в 2006-2008гг. в рамках Федеральной целевой программы «Сохранение и восстановление плодородия почв земель сельскохозяйственного назначения и агроландшафтов как национального достояния России на 2006-2012 годы», разработана и произведена опытно-производственная проверка ряда прецизионных технологий внесения минеральных удобрений и мелиорантов. Одна из технологий основана на электронной карте урожайности данного поля. Карта урожайности формируется автоматически с помощью уборочной техники, оснащённой специальными датчиками и приёмником системы глобального позиционирования. Построение электронной карты с автоматизированным выделением границ относительно однородных зон осуществлялось на основе разработанных в диссертации алгоритмов и программ.

Защищаемые положения

  • Адекватной методологией математического моделирования объектов и процессов в точном земледелии является методология вероятностно-статистического моделирования и разработанные на этой основе алгоритмы нахождения оптимальных или близких к ним решений в условиях стохастической неопределённости и изменчивости, а также выполненные исследования по решению ряда задач прогнозирования.
  • В условиях неизбежного расширения структуры и содержания исходной информационной базы точного земледелия предложена методология анализа экспериментальных данных на основе использования разных методов прикладной статистики и последующей сравнительной оценки полученных результатов, что значительно повышает их надежность и достоверность.
  • Созданный и апробированный программный инструментарий и руководство по его применению являются достаточными для организации автоматизированной  обработки  экспериментальных  данных  по информационному обеспечению точного земледелия. Особое значение в совершенствовании процесса построения  эмпирических моделей, оценки их  статистической  значимости  и степени адаптации играют разработанные и программно реализованные в диссертации методики использования бинарной регрессии и квантильной, в частном случае, медианной регрессии, не требующей для своего практического применения обязательного выполнения многих важных предположений регрессионного анализа.

Личный вклад автора. Автором сформулирована цель работы, разработана концепция совершенствования информационного обеспечения точного земледелия, проанализированы результаты исследований и сделаны выводы.  Разработка алгоритмов решения задач, составляющих основные положения, вынесенные на защиту,  проведена лично автором. Созданное и апробированное программное обеспечение по обработке и анализу экспериментальных данных на 90%  написано автором.

Апробация работы. Диссертация выполнялась в рамках проводимых Агрофизическим институтом исследований по базовым научно-техническим программам «Разработать теорию  и методы управления продукционным процессом сельскохозяйственных культур в адаптивно-ландшафтном земледелии» (2001-2005 г.г.) и «Разработать методы и приемы управления продукционным процессом в условиях пространственно-временной неоднородности среды обитания растений с целью повышения адаптивности агротехнологий  к условиям окружающей среды и обеспечения высокой продуктивности агроценозов» (2006-2008 г.г.), в ходе выполнения научно-исследовательских работ в соответствии с распоряжением Минпромнауки России № 04.900.43/078 от 15.04.2003 г. по созданию программно-аппаратного комплекса «Компьютерная система генерации и реализации технологических решений в точном земледелии».

Полученные в ходе выполнения работы результаты исследований были рассмотрены и одобрены на заседании Ученого Совета Агрофизического института в феврале 2009 года, а также докладывались и обсуждались на следующих международных и всероссийских научных и научно-технических форумах: на II всероссийской школе-коллоквиуме по стохастическим методам (Москва, 1995 г.); на III всероссийской школе-коллоквиуме по стохастическим методам (Москва, 1996 г.); на IV всероссийской школе-коллоквиуме по стохастическим методам (Москва, 1997 г.); на XXX международной научной конференции «Процессы управления и устойчивость» (Санкт-Петербург, 1999 г.); на I всероссийском симпозиуме по прикладной и промышленной математике (Москва, 2000 г.); на V международной конференции «Вероятностные методы в дискретной математике» (Петрозаводск, 2000 г.); на международной научно-практической конференции «Современные проблемы опытного дела» (Санкт-Петербург, АФИ, 2000 г.); на XXXI международной научной конференции «Процессы управления и устойчивость» (Санкт-Петербург, 2000 г.); на 4 St.Petersburg Workshop on Simulation (St. Petersburg, 2001); на всероссийской научной школе «Математические методы в экологии» (Петрозаводск, 2001 г.); на II всероссийском симпозиуме по прикладной и промышленной математике (Москва, 2001 г.); на международной научно-практической конференции «Агрофизика XXI века (к 70-летию образования Агрофизического института)» (Санкт-Петербург, АФИ, 2002 г.); на XXXIII международной научной конференции «Процессы управления и устойчивость» (Санкт-Петербург, 2002 г.); на III всероссийском симпозиуме по прикладной и промышленной математике (Москва, 2002 г.); на III всероссийской научной конференции «Проектирование научных и инженерных приложений в среде «Matlab» (Санкт-Петербург, 2007 г.); на международной конференции «Современная агрофизика – высоким технологиям (к 75-летию образования Агрофизического института)» ( Санкт-Петербург, АФИ, 2007 г.); на XXXVIII международной научной конференции «Процессы управления и устойчивость» (Санкт-Петербург, 2007 г.); на VI международной научно-практической конференции «Актуальные проблемы экономики и новые технологии преподавания (Смирновские чтения)» (Санкт-Петербург, 2007 г.).

Разработанные программные средства апробированы на Меньковской опытной станции в Гатчинском районе Ленинградской области и входили в состав программно-аппаратного комплекса, демонстрируемого Агрофизическим институтом на трех международных специализированных выставках «Агрорусь» (Санкт-Петербург, 2004, 2007 гг.) и «Золотая осень» (Москва, 2008 г.), где были получены соответственно серебряная, золотая и серебряная медали.

Публикации. По теме диссертации опубликовано 55 научных работ, в том числе 15 статей в ведущих реферируемых научных журналах, рекомендованных  в Перечне ВАК и 6 монографий, имеется свидетельство о государственной регистрации программы «Автоматизированная система стохастического выделения однородных технологических зон на сельскохозяйственном поле по данным урожайности» № 2008614663

Структура и объем работы. Диссертация состоит из введения, шести глав, заключения, списка использованной литературы (202 источника, из них 65 источников на иностранных языках), приложения. Общий объем 312 страниц, включая 78 рисунков и 10 таблиц.

Благодарности. Автор выражает искреннюю благодарность своим учителям и коллегам  Якушеву В.П., Жуковскому Е.Е., Кирпичникову Б.К., Ковригину А.Б.,  Котиной С.О., Кузютину В.Ф., Куртенеру Д.А., Лекомцеву П.В., Ломакину В.С., Матвеенко Д.А., Михайленко И.М., Петрушину А.Ф., Седунову Е.В., Семенову В.А., Ускову И.Б., Федоровой А.С.,  Якушеву В.В.  за помощь и поддержку на различных этапах выполнения работы.

СОДЕРЖАНИЕ РАБОТЫ

Глава 1. Состояние, проблемы и задачи информационного обеспечения точного земледелия

В настоящее время Россия, как и все развитые страны, заинтересована в целесообразной научно обоснованной, с учетом экологической безопасности, интенсификации сельскохозяйственного производства с повышенной отдачей от применяемых технических ресурсов. Именно таким требованиям и отвечает развиваемый в нашей стране адаптивно-ландшафтный подход к землепользованию. Основополагающие работы ученых Россельхозакадемии А.Н. Власенко, В.А. Драгавцева, В.П. Ермоленко, А.Л.Иванова, А.Н.Каштанова, В.И.Кирюшина, Н.Г.Ковалёва, К.Н. Кулика, А.М. Лыкова, И.М. Михайленко, Н.З. Милащенко, А.Н. Небольсина, Р.А. Полуэктова, Л.Н. Петровой, В.А. Рожкова, В.А.Семёнова, В.Г. Сычева, И.Б. Ускова и др. определили сущность и отличительные признаки адаптивно-ландшафтных систем земледелия (АЛСЗ). Стратегия такого подхода направлена на максимально полное использование различной информации для обоснования тех или иных решений на различных уровнях их принятия.

Важно отметить, что центральным и наиболее трудоёмким мероприятием при разработке АЛСЗ является выбор оптимальных технологий возделывания сельскохозяйственных культур из множества возможных сценариев. Решение этой задачи не только обеспечивает конечный результат, но, по сути, и является тем управлением режимами агроландшафтов, где компромисс между продуктивностью и устойчивостью получает своё окончательное разрешение. При этом, как показал зарубежный и отечественный опыт, наибольший эффект может быть получен при реализации агроприёмов по технологии точного земледелия.

Точное земледелие базируется на современных научно-технических возможностях общества, информационного и технического обеспечения технологий и строится на основополагающей идее рационального ведения сельского хозяйства в эпоху техногенеза, обоснованного производства количества и качества растениеводческой продукции и сырья для промышленности при неукоснительном соблюдении требований по предотвращению деградации природной среды.

Принципиальная отличительная особенность новой концепции заключается в том, что технология точного земледелия рассматривает каждое сельскохозяйственное поле как неоднородное. Оно разделяется на некоторое количество единиц управления, которые являются однородными (квазиоднородными) участками. Суть точного земледелия заключается в том, что для получения с данного поля максимального количества продукции высокого качества для всех растений этого массива создаются оптимальные условия произрастания с учётом выявленной неоднородности участка.

Национальный исследовательский комитет США (US National Research Council) определяет понятие точного земледелия следующим образом:

“Precision agriculture is a management strategy that uses information technology to bring data from multiple sourses to bear on decisions associated with crop production”(«Точное земледелие – стратегия управления, которая использует информационные технологии, извлекая данные из множественных источников, с тем, чтобы принимать решения по управлению посевами»).

Новые технологии, которые обусловили возможность перехода к концепции точного земледелия, связаны с появлением Географических информационных систем, возможностью использования глобальной системы позиционирования с непосредственным вводом информации в бортовой компьютер, обеспечивающий управление механизмом, проводящим в поле ту или иную операцию. Стоит подчеркнуть, что решающую роль в этом процессе играет информационное обеспечение принятия управленческих решений – моделей, баз данных и знаний, экспертных систем, специальных программ.

Таким образом, развитие точного земледелия стало возможным благодаря беспрецедентному прорыву в разработке специальной техники и информационных технологий, которые были успешно интегрированы в сельское хозяйство.

Концепция точного земледелия предусматривает применение физико-технических и программных средств  как для получения и обработки информации в локальных агроэкосистемах, так и для реализации агроприемов непосредственно в поле. Это обстоятельство, в принципе, позволяет более широко в сельскохозяйственной практике использовать методы и средства нового направления для получения полезной и более точной информации о состоянии растений и среды их обитания.

Оценивая перспективы развития нового направления в сельскохозяйственном производстве, важно понимать, что точное земледелие – «информационно-интенсивная» технология. Применение этой технологии может быть эффективным, если используется системный подход в управлении на фоне увеличивающегося информационного потока. Большинство производителей не знают, как эффективно использовать обширное количество данных, и поэтому они сталкиваются с многочисленными проблемами интерпретации этих данных как основы для принятия решений при управлении урожайностью.

Анализ материалов ряда зарубежных исследований в области точного земледелия (ТЗ), результаты которых были представлены на девяти Международных конференциях и шести Европейских конференций по ТЗ, а также собственные исследования, показывают, что особую важность представляют исследования, направленные на совершенствование информационного обеспечения систем точного земледелия и разработку методологии управления ими.

Концептуальная схема по совершенствованию информационного обеспечения точного земледелия представлена на рис. 1. Для сбора натурных данных, характеризующих условия конкретного хозяйства и специализированных полигонов научно- исследовательских учреждений, предусматривается использование современных технических средств точного земледелия. Центральное место в рассматриваемой концепции занимают вопросы обработки и анализа накапливаемой информации.

Вероятностно-статистическое моделирование предполагает создание математических моделей и разработку методов нахождения оптимальных или близких к ним решений в условиях стохастической неопределенности и изменчивости, а одновременное применение в анализе натурных данных параметрических и непараметрических процедур и последующее их объективное сравнение ведет к существенному улучшению качества статистических выводов. При этом необходимым условием повышения качества информационного обеспечения точного земледелия является современная организация опытного дела по изучению продуктивности агроэкосистем и применение эффективных методов обнаружения, построения и анализа статистических зависимостей, характеризующих разнообразные взаимосвязи между различными факторами в живой природе.


Глава 2. Вероятно-статистическое моделирование в задачах оптимизации агротехнологических решений и оценки пространственной неоднородности сельскохозяйственных угодий по урожайности.

Вероятностно – статистическое моделирование предполагает создание математических моделей и разработку математических методов нахождения оптимальных или близких к оптимальным решений в условиях наличия стохастической неопределенности.

2.1 Математическая постановка и решение оптимизационной задачи выбора сроков проведения агротехнологических операций

Оптимизация сроков проведения агротехнологических операций является важнейшим этапом в реализации точного земледелия. Уже на стадии планировании агротехнологий возникает задача оценки момента времени проведения той или иной операции, при этом, как правило, можно оценить ожидаемые потери за единицу времени, связанные с завышением или, наоборот, с занижением оценки времени проведения необходимого мероприятия. В некоторых случаях эти потери могут быть выражены непосредственно в денежных единицах (например, простой техники; потери, связанные с необходимостью привлечения дополнительной техники, рабочей силы и т.д.). В других случаях величину потерь можно получить в результате экспертной оценки относительной нежелательности ошибки, связанной с завышением оценки момента времени проведения мероприятия по сравнению с ее занижением.

В задачах такого типа часто заранее можно указать временные границы проведения мероприятий. Проблема сводится к оценке момента времени проведения необходимых работ внутри некоторого временного интервала.

Предположим, что в качестве оценки момента времени проведения агротехнологического мероприятия выбран момент времени внутри фиксированного заданного временного промежутка [a,b], причем наилучший момент времени проведения этого мероприятия является случайной величиной с известной функцией распределения F(t) и, вообще говоря, может не принадлежать промежутку [a,b]. Предположение о случайности момента времени моделирует неопределенность, связанную с наличием разнообразных факторов, оказывающих значимое влияние и трудно прогнозируемых на практике. Предположим, что с – величина потерь за единицу времени, связанных с занижением оценки, а l – величина потерь за единицу времени, связанных с завышением оценки. В диссертации показано, что

Ожидаемые средние потери Q(x) составят следующую величину

Поставим задачу минимизации ожидаемых потерь:

  Пусть хр – решение уравнения: .

Теорема 1. Если строго возрастающая функция распределения F(t) непрерывна, то решение задачи (2.2) определяется выражением

Теорема 1 дает решение оптимизационной задачи построения оптимальной оценки момента времени по выбранному критерию оптимальности. Если функция распределения F(t) неизвестна, то следует построить статистическую оценку функции распределения F(t) по имеющимся опытным данным, либо использовать минимаксный подход.

Суть минимаксного подхода заключается в решении следующей оптимизационной задачи:

, (2.3)

где f  - множество всех функций распределения, Q(x,F)Q(x).

Теорема 2. Решение задачи (2.3) дается выражением

.

Рассмотрим случай, когда функция распределения F(t) представима в виде конечной смеси известных непрерывных строго возрастающих функций распределения F1(t), …, Fm(t):

,

где весовые множители рi>0, i=1, …, m и , то есть весовые множители образуют вероятностное распределение.

Рассмотренная вероятностная модель часто встречается на практике и соответствует случаю, когда генеральная совокупность представляет собой смесь нескольких относительно однородных совокупностей. В рассматриваемой задаче можно, например, считать, что m=3. При этом первая совокупность состоит из «хороших» лет, то есть лет с высокой урожайностью данной культуры, вторая совокупность состоит из «средних» лет, то есть лет, когда урожайность соответствует среднему уровню, и третья совокупность состоит из «плохих» лет, когда урожайность оказывается низкой.

Введем дискретную случайную величину с распределением

р{=i}=рi, i=1, 2, …, m.

Введем следующие определения:

  где

Здесь х* - оптимальное решение для всей смеси F, xi* – оптимальное решение, когда точно известен номер совокупности i, – оптимальное решение, когда точно идентифицируются события {=i}, i=1, …, m.

Теорема 3. Если строго возрастающие функции распределения F1(t), F2(t), …, Fm(t) непрерывны, то .

Возникает задача статистического оценивания теперь уже всех функций распределения Fi(t), i=1, …, m или статистического оценивания соответствующих квантилей. Конечно, предпочтительнее построить оценки распределений, так как это позволит варьировать величины возможных потерь и оценить степень изменчивости оптимальной оценки. Этот случай был рассмотрен на конкретном примере. В частности, на опытной станции Агрофизического института была собрана статистика по наилучшим моментам времени посадки картофеля за тридцать пять лет. На основе собранной статистики (в предположении, что компоненты смеси представляют собой нормальные распределения с различными параметрами) найдены оценки параметров смеси и построены оптимальные решения по найденным оценкам.

2.2 Оценка пространственной изменчивости и выделение однородных зон на сельскохозяйственном поле по урожайности.

В основе точного земледелия, являющегося сегодня одним из наиболее перспективных направлений агрономической науки и производства растениеводческой продукции, лежит представление о возможности значительного повышения урожаев, существенной экономии ресурсов и снижения антропогенной нагрузки на окружающую среду путем дифференциации агротехнологий в соответствии с пространственной изменчивостью почвенных и иных факторов продуктивности в пределах отдельного сельскохозяйственного поля. Ключевым понятием этой концепции является адаптация элементов агротехнологии к внутриполевому варьированию условий, т.е. приспособление системы хозяйствования  к пространственной неоднородности конкретного поля. Очевидно, что с точки зрения такого подхода первостепенное значение приобретает более глубокое изучение самой пространственной неоднородности сельскохозяйственных угодий, разработка методов ее количественного описания и выделения границ изменчивости на заданной территории.

2.2.1 Оценка биоэквивалентности двух участков на сельскохозяйственном поле.

Предположим, что на некотором поле можно выделить два  участка   и . Требуется принять решение о степени однородности или неоднородности  этих участков между собой по уровню средней урожайности некоторой культуры за несколько лет на этих участках. Предполагается, что каждый из участков состоит из большого числа небольших по площади делянок, средняя урожайность представляет собой суммарный урожай всех делянок, поделенный на их количество. Биоэквивалентность этих участков означает совпадение распределений этих случайных величин (средних урожайностей) или достаточную близость  этих распределений. В дальнейшем будем считать эти случайные величины взаимно независимыми. Подобное допущение представляется оправданным, если участки достаточно велики по площади. 

Предположим, что имеются две выборки, представляющие собой значения средних урожайностей участков   и за несколько предыдущих лет: Представляется также допустимым предположить, что распределения введенных случайных величин и  являются нормальными с параметрами (математические ожидания) и (дисперсии). В качестве меры сходства случайных величин , естественно выбрать вероятность

(2.4)

Если участки   и биологически эквивалентны, то, как уже отмечалось выше, распределения средних урожайностей должны быть одинаковыми или достаточно близкими, поэтому вероятность (2.4) следует сравнивать с вероятностью

(2.5)

где случайная величина независима от и имеет такое же распределение. В качестве величины в формулах (2.4) и (2.5), как это было предложено в работе Shall, R. (Assessment of individual and population bioequivalence using the probability that bioavailabilities are similar. Biometrics 51, 615-626,1995), выберем . Тогда вероятности (2.4) и (2.5) можно переписать, используя функции стандартного нормального распределения, следующим образом

,

где  функция стандартного нормального распределения.

Близость функций и свидетельствует о том, что участки   и можно считать биоэквивалентными. Более строго биоэквивалентность можно определить в терминах разности или отношения введенных функций, для чего необходимо ввести пороговые значения для разности и для отношения.

Будем говорить, что участки и  биоэквивалентны, если

  или ,  (2.6)

где .

Очевидно, что большее значение вероятности означает более высокую степень «близости» между средними урожайностями, что говорит о «более высокой биологической эквивалентности участков».

Используя имеющиеся выборки,  построим оценки неизвестных параметров  после чего, подставив их в функцию , получим статистическую оценку искомой вероятности: . А далее можно производить сравнение найденной оценки с . Заметим, что функция полностью известна. Проблема заключается в том, что вместо истинной вероятности в сравнении используется статистическая оценка . В связи с этим  можно предложить следующий алгоритм, использующий идею статистического моделирования выборок из нормальных распределений с параметрами (отдельно для участка и участка ).

Алгоритм:

1) По полученным в результате многолетних наблюдений опытным данным строятся оценки .

2) Моделируются на компьютере две выборки: выборка из нормального распределения с параметрами и выборка из нормального распределения с параметрами .

3) По полученным выборкам строится новая оценка , после чего для ранее выбранного порогового значения (или ) производится проверка условия биоэквивалентности (2.6) (в форме разности или отношения).

4) Пункты 2 и 3 многократно повторяются и подсчитывается относительная частота выполнения условия биоэквивалентности (2.6).

5) Принимается решение о принятии гипотезы биоэквивалентности участков или об отклонении этой гипотезы.

Все вычисления производятся специальной программой, разработанной в среде Maple. Программная реализация позволяет при задаваемых различных уровнях урожайности проводить компьютерный анализ и оценку степени однородности тех или иных попарно сравниваемых участков на заданном сельскохозяйственном поле.

2.2.2  Выделение однородных зон на сельскохозяйственном поле по урожайности отдельных участков.

Современные технологии точного земледелия позволяют получать данные по урожайности с точной привязкой к координатам каждого отдельного участка на поле. Рассмотрим  поле, состоящее из большого числа элементарных участков (размер участка - несколько квадратных метров), по каждому из которых известна урожайность. На основе урожайностей по отдельным участкам конкретного года требуется произвести разбиение поля на относительно однородные кластеры (зоны). Перенумеровав участки и зафиксировав урожайность на каждом из них, получаем массив данных, в котором содержится потенциальная информация об однородных зонах на поле. Предполагается, что урожайность внутри каждой из зон примерно одинакова, причем полное совпадение урожайностей невозможно.

Предположим, например, что все поле можно условно разделить на пять кластеров (пять зон относительной однородности). Первый кластер соответствует очень благоприятным условиям для произрастания данной культуры; второй кластер включает участки с хорошими условиями произрастания данной культуры; третий кластер соответствует в целом удовлетворительным условиям; четвертый кластер включает неблагоприятные зоны произрастания культуры и, наконец, пятый кластер включает участки с очень плохими условиями. Конечно, в действительности для конкретного поля количество однородных зон может быть меньше пяти, в идеальном случае все поле целиком может представлять собой одну однородную зону.

Общая математическая модель задачи кластеризации урожайности на поле, имеет вид:

, где: k - число кластеров (зон однородности);  - плотность нормального распределения (описывает закон распределения урожайности x внутри зоны однородности с номером j); - неизвестные параметры (математическое ожидание  и дисперсия) распределения компоненты с номером j;  pj - удельный вес зоны однородности (относительная доля наблюдений из этой зоны по отношению к общему числу наблюдений).

Для решения задачи кластеризации разработан алгоритм адаптивного вероятностного обучения, использующий разделение смеси вероятностных распределений, в котором отдельные компоненты моделируются нормальными распределениями с различными параметрами. При этом математическое ожидание соответствует средней урожайности с участка внутри одной зоны, а дисперсия характеризует разброс внутри зоны однородности. Веса компонент указывают относительный размер соответствующего кластера. Урожайности на первоначально выделенных участках следует использовать для оценки параметров изучаемой смеси распределений. Может оказаться, что в процессе разделения смеси распределений (оценки параметров смеси) количество компонент уменьшится, что повлечет за собой уменьшение количества кластеров на поле. В идеальной ситуации, для однородного поля останется только лишь одна компонента. Алгоритм был реализован в виде программы, которая используется в информационном обеспечении прецизионного внесения удобрений.

2.3 Информационное обеспечение прецизионного внесения удобрений на основе электронных карт урожайности.

Особое место в точном земледелии занимает система применения в севообороте химических мелиорантов, в том числе минеральных удобрений, под возделываемые культуры. Из опыта земледелия этот рычаг воздействия на почвенное плодородие, рост и развитие растений является самым действенным, и поэтому эффективность дифференциации этого агротехнического мероприятия является весьма высокой.

В Агрофизическом институте по контракту с МСХ РФ №957/13 от 11.08.2006 г. разработана и осуществлена опытно-производственная проверка прецизионной технологии внесения минеральных удобрений и мелиорантов, где информационной основой этого агротехнического мероприятия  является электронная карта распределения урожайности на заданном поле.  Эффективность этого подхода определяется тем, что рассматриваемая карта урожайности отдельных небольших участков формируется автоматически с помощью уборочной техники, оснащённой специальными датчиками и приёмником системы глобального позиционирования.

Исходная электронная карта (рис. 2. – левая часть) обрабатывается программой, рассмотренной выше.  В качестве входных данных программа принимает файл, сформированный бортовым компьютером уборочного комбайна, содержащий географические координаты центра каждого элементарного участка, его урожайность и влажность продукции, дату и время получения данных по каждому элементарному участку  и в соответствии с фактическим распределением урожайности на локальных участках выделяет на заданном поле однородные технологические зоны – кластеры (рис. 2 – правая часть).

  Затем с помощью мобильного комплекса осуществляется агрохимическое обследование поля. С каждого кластера отбирается один объединенный почвенный образец, состоящий из нескольких отдельных проб, взятие которых осуществляется по маршруту следования в максимальной степени равномерно с чёткой фиксацией координат. Почвенные образцы поступают в агрохимическую лабораторию на анализ. В дальнейшем по результатам проведенных анализов для каждого кластера по известным методикам рассчитывается потребность в тех или иных удобрениях для заданной культуры. Норма внесения определяется в зависимости от того, к какой технологической зоне  относится тот или иной участок поля. Одновременно  формируется электронная карта-задание для этого поля на внесение удобрений, которая записывается на чип-карту, переносится на бортовой компьютер агрегата, который по ходу движения будет автоматически на основании введенного в бортовой компьютер задания и данных GPS-приёмника вносить удобрения в нужных количествах в нужном месте.

Важно отметить, что карты урожайности, как информационная основа внесения  удобрений под будущий урожай, широко взяты на вооружение в странах - Германии, США, Дании и др.,  где точное земледелие давно практикуется, особенно в крупных хозяйствах.  Это связано с тем, что существенно сокращается количество анализируемых почвенных образцов. Как правило, их количество не более пяти, что значительно меньше в сравнении с детальным агрохимическим обследованием полей.

Глава 3. Адаптивные методы прогнозирования и методология применения бинарной регрессии в анализе продуктивности сельскохозяйственных культур.

Задачи, связанные с прогнозированием, занимают центральное место в анализе данных в целом.  Особенно велика их роль в сельском хозяйстве  вследствие наличия высоких рисков в производстве сельскохозяйственной продукции. Высокие риски обусловлены влиянием многочисленных внешних факторов, включая климатические. Влияние погодных условий часто является основным лимитирующим фактором в сельскохозяйственном производстве. Еще одна группа факторов,  оказывающих решающее влияние на урожайность культур, связана с почвенной неоднородностью и особенностями рельефа каждого участка.  Прогнозирование метеорологических факторов и оценка степени влияния  конкретных почвенных условий на продуктивность сельскохозяйственных культур и,  как следствие, прогноз урожайности сельскохозяйственных культур представляют собой чрезвычайно важные задачи, решение которых абсолютно необходимо в условиях точного земледелия.

В третьей главе диссертации рассмотрены подходы к решению сформулированных задач на основе метода адаптивного прогнозирования и метода бинарной регрессии – логит и пробит анализов.

3.1. Адаптивное прогнозирование

В настоящее время одним из наиболее перспективных направлений исследования и прогнозирования одномерных временных рядов являются адаптивные методы. При обработке временных рядов, как правило, наиболее ценной является информация последнего периода, так как необходимо знать, как будет развиваться тенденция, существующая в данный момент, а не тенденция, сложившаяся в среднем  на всем рассматриваемом периоде. Адаптивные методы позволяют  учесть различную информационную ценность уровней временного ряда, степень “устаревания” данных.

Важнейшим достоинством адаптивных методов является построение самокорректирующихся моделей, способных учитывать результат прогноза, сделанного на предыдущем шаге. Пусть модель находится в некотором состоянии, для которого определены текущие значения её коэффициентов. На основе этой модели делается прогноз. При поступлении фактического значения оценивается ошибка прогноза (разница между этим значением и полученным по модели). Ошибка прогнозирования через обратную связь поступает в модель и учитывается в ней в соответствии с принятой процедурой перехода от одного состояния в другое. В результате вырабатывается “компенсирующее” изменение, состоящее в коррекции параметров с целью большего согласования поведения модели с динамикой ряда. Затем рассчитывается прогнозная оценка на следующий момент времени, и весь процесс повторяется вновь.

Для прогнозирования будем использовать разработанную нами модификацию метода Брауна. Ниже приведен соответствующий алгоритм, представленный следующей формулой прогнозирования на шагов вперед (горизонт прогнозирования):

, (3.1)

где - прогноз, который формируется в момент времени   на шагов вперед, то есть формируется по наблюдениям до момента включительно,

- параметр адаптации, - параметр коррекции, -  вес,

- наблюдение в момент времени .

Использование слагаемого с коэффициентом коррекции позволяет дополнительно учесть ошибку прогнозов на предыдущих шагах прогнозирования, усилить влияние обратной связи, увеличить управляемость процесса прогнозирования. При применении формулы (3.1) возникает необходимость задания начальных значений прогноза , которые могут быть определены как средние арифметические нескольких первых наблюдений. Выбор параметров адаптации, коррекции и веса, вообще говоря, произволен и зависит от особенностей ряда наблюдений. Подходящий подбор коэффициентов может производиться в режиме поиска в процессе настройки алгоритма, либо в результате предварительных испытаний. Большое по величине значение коэффициента адаптации и малое числовое значение параметра коррекции увеличивают влияние последних наблюдений, повышают гибкость модели, однако при этом повышается чувствительность к случайным флуктуациям, увеличивается дисперсия прогноза. Уменьшение параметра адаптации с одновременным увеличением параметра коррекции повышает инерционность процесса прогнозирования. В целом, набор из трех коэффициентов управления процессом прогнозирования  расширяет возможности адаптации, повышает эффективность и качество прогнозирования. Формула (3.1) обобщает метод прогнозирования Брауна в двух направлениях: во-первых, предлагается прогнозирование на несколько шагов вперед, во-вторых, вводится новое слагаемое, усиливающее влияние обратной связи в процессе прогнозирования. Все три параметра принимают значения в промежутке [0,1].

  Для тестирования алгоритмов и предварительного подбора управляющих параметров был использован файл weather_data, содержащий данные среднесуточных температур воздуха на высоте 2 метра на полигоне Агрофизического НИИ в пос. Меньково Ленинградской области за 30 лет с 01.01.1975  по 31.12.2004 г.г.. Временной ряд использовался для оценки качества  алгоритма и написанной программы в среде Matlab.  Испытания программы, написанной на основе алгоритма (3.1), показали, что качество прогноза очень существенно зависит от выбора параметра - горизонта прогноза.  Программа позволяет в автоматическом режиме выбирать оптимальные значения всех коэффициентов, определяющих коррекцию и адаптацию прогноза по  результатам предыдущих прогнозов, задавать промежуток возможных значений горизонта прогноза, после чего происходит автоматический выбор оптимального значения параметра . 

Для осуществления подбора оптимальных значений коэффициентов и горизонта прогнозирования перед началом работы программы задается количество наблюдений временного ряда, по которым «производится обучение», то есть производится оптимальный выбор параметров алгоритма.

Алгоритм «обучения» заключается в следующем.

  1. Производим прогнозирование по формулам (3.1) для разных значений из заданного промежутка  и разных значений коэффициентов, перебирая с шагом 0,1 значения из интервала (0,1).
  2. Выбираем прогноз с наилучшим результатом, то есть найдем оптимальное значение  и все коэффициенты модели.
  3. Оценка качества прогноза может производиться разными способами, в частности, в данном случае подходит самый простой способ, в котором  вычисляется сумма квадратов ошибок прогнозов на «обучающей» совокупности наблюдений: чем меньше сумма, тем лучше прогноз. 

  После того как оценка наилучшего горизонта прогнозирования  внутри заданного интервала  осуществлена и выбраны наилучшие значения коэффициентов, по формуле (3.1) можно производить прогноз. 

В процессе тестирования программы исследовались и другие ряды, в которых имелась четко выраженная периодичность. В этом случае при выборе оптимального горизонта прогнозирования, по-существу,  производилась статистическая оценка периода,  и не всегда в качестве оптимального горизонта программа выбирала наименьшее значение из заданного интервала.  Однако в файле среднесуточных температур такой скрытой периодичности (с коротким периодом в несколько дней) обнаружить не удалось, поэтому в качестве оптимального значения горизонта прогнозирования всегда выбиралась нижняя граница заданного промежутка.

Качество прогнозирования в целом следует оценивать не интегральными характеристиками, которые не могут дать в принципе полное представление о качестве прогноза, а выводя на печать графики текущих значений временного ряда и прогнозных значений для выбранных горизонтов прогнозирования. Исчерпывающий набор таких графиков дает полное представление о качестве прогнозирования на предложенном для анализа числовом материале.

Целесообразно вычислять относительные ошибки прогнозов и находить долю прогнозов (в процентах), для которых относительные ошибки не превышают некоторые заранее установленные разумные границы. Что и делается в разработанной программе. Однако важно отметить, что использование относительных ошибок может привести  к неверным заключениям о качестве прогнозирования вследствие того, что при делении на маленькие числа относительные ошибки могут оказаться большими, хотя в действительности качество прогнозирования является вполне приемлемым.  В связи со сказанным следует еще раз подчеркнуть, что заключения о качестве прогнозов следует делать, главным образом  опираясь на вид графиков текущего изменения прогнозируемой характеристики и прогнозов с выбранным горизонтом прогнозирования.

Далее приведены результаты численных экспериментов по прогнозированию изучаемого временного ряда, результаты прогнозов оцениваются, прежде всего,  по графикам, а также по относительным ошибкам.  Программы написаны на языке MatLab.  В каждой программе строятся графики, позволяющие визуально оценивать качество прогнозов на любом промежутке времени, оценивается наилучший горизонт прогнозирования для временного ряда из заданного промежутка,  рассчитываются относительные ошибки прогнозов, вычисляется среднее время формирования одного прогноза, автоматически определяются  параметры адаптации. 

Рис. 3. Прогноз среднесуточной температуры воздуха на неделю

На рис. 3 приведен прогноз на неделю среднесуточной температуры воздуха (представлены результаты прогнозов с 22.10.1979 по 21.03.1980)

Графики на рисунке позволяют оценивать качество прогнозов на рассматриваемом временном промежутке в целом. В качестве горизонта прогнозирования была выбрана неделя. Программа осуществила автоматический поиск наилучших значений параметров адаптации, коррекции и веса и получила значения, указанные в правом углу (0.4, 0.1 и 0.1), под ними указан выбранный горизонт прогнозирования (7 дней).

На рис. 4 приведен прогноз среднесуточной температуры воздуха на пять дней  (представлены результаты прогнозов с 22.10.1979 по 21.03.1980)

В качестве горизонта прогнозирования было выбрано пять дней. Программа осуществила автоматический поиск наилучших значений параметров адаптации, коррекции и веса и получила значения, указанные в правом углу (0.4, 0.1 и 0.8) , под ними указан выбранный горизонт прогнозирования (5 дней). В последней строке слева указано общее количество сделанных прогнозов на пять дней вперед (программа тестировалась на существенно большем временном промежутке, составившем несколько лет, выбранная диаграмма является типичной и приведена для примера)

Сравнивая результаты с предыдущим прогнозом, сделанным на неделю вперед, легко заметить, что качество прогнозирования заметно улучшилось. Численные характеристики оказались заметно лучше, и визуально видно, что кривая прогнозов лучше соответствует реальным данным. 

Численные эксперименты показали эффективность разработанных алгоритмов адаптивного прогнозирования в задаче краткосрочного прогнозирования метеорологических временных рядов.

3.2.  Бинарная регрессия. Логит и  пробит  анализы.

Во многих прикладных исследованиях зависимыми переменными являются дихотомические или бинарные величины, они принимают значения единица и ноль; например, если урожайность культуры выше некоторого порогового уровня, то переменная принимает значение единица, если ниже, то ноль. Предположим, что необходимо предсказывать вероятности подобных событий. Например, хотелось бы выяснить, чем отличаются поля с урожайностью некоторой культуры выше порогового уровня от полей с урожайностью ниже заданного порогового уровня. В этом случае факт превышения порогового уровня означает, что зависимая бинарная величина принимает значение единица, в противоположном случае – значение ноль, а характеристики почвы выступают в роли факторов.

Логит и пробит анализы применимы в целях прогнозирования урожайности культур по выбранному набору  агрометеорологических, агрофизических, агротехнологических и других характеристик.

Любой набор факторов не может исчерпывающим образом описать все возможные взаимосвязи, существующие в природе и влияющие на урожайность культуры, поэтому любой прогноз будет носить вероятностный характер.

Выбор факторов, оказывающих значимое влияние на урожайность культуры, не  полностью очевиден. В принципе может оказаться, что среди выбранных факторов некоторые не оказывают большого влияния на урожайность и, поэтому могут быть исключены из рассмотрения,  тем более  в ситуации, когда измерение этих факторов вызывает затруднения. В связи с этим представляет интерес задача определения минимально достаточного набора факторов, по которым возможно удовлетворительное прогнозирование урожайности культуры. 

Спрогнозировать числовое значение урожайности на конкретном участке  чрезвычайно трудно, даже имея самый исчерпывающий набор факторов.  Легче спрогнозировать возможность того, что урожайность превысит или не превысит некоторое фиксированное пороговое значение, определяющее хороший или допустимый уровень урожайности культуры для данного региона.

В такой постановке задачи прогнозирования зависимая переменная является дихотомической или бинарной величиной, она принимает значения единица и ноль. Предположим, что необходимо предсказывать вероятности подобных событий.  Попытка решения задачи прогнозирования в такой постановке (даже при неудачном решении) имеет смысл. Действительно, если прогноз окажется неудачным, то есть, например, высокой вероятности превышения порогового уровня будет часто соответствовать противоположная ситуация – урожайность окажется ниже порогового значения, то можно будет сделать вывод о том, что выбранный набор факторов не включает действительно важных факторов для урожайности данной культуры. И, следовательно, данный набор факторов не является достаточным для прогнозирования.

Можно ввести следующие обозначения:

– бинарная переменная, принимает значение  1, если средняя урожайность на поле выше заданного уровня, и  0, если ниже; 

набор характеристик.

В рассматриваемой задаче естественно с самого начала воспользоваться нелинейной моделью для описания математического ожидания бинарной переменной, то есть по существу вероятности того, что бинарная переменная принимает значение равное единице, а именно положим

, (3.2)

где функция распределения некоторой случайной величины.

При таком подходе не возникает трудностей с интерпретацией значений функции после подстановки в нее оценок неизвестных  параметров и значений факторов, так как вычисленное значение представляет собой оценку вероятности того, что бинарная переменная будет равна единице.

В качестве функции можно использовать любую непрерывную функцию распределения, соответствующую симметричному  распределению, однако на практике принято применять две функции распределения: логистическую

и функцию стандартного нормального распределения

При использовании логистической функции распределения соответствующую модель называют логистической моделью или логит – моделью, а при использовании стандартного нормального распределения модель называют пробит – моделью.

Рассмотрим задачу статистического оценивания неизвестных параметров в общей модели бинарной регрессии. Очевидно, что наблюдения подчиняются распределению Бернулли с вероятностями . Будем предполагать статистическую независимость отдельных наблюдений между собой. В рассматриваемой задаче можно воспользоваться методом максимального правдоподобия для нахождения точечных оценок неизвестных параметров. 

Пусть имеются наблюдения , состоящие из нулей и единиц, тогда функция правдоподобия имеет вид:

,

где .

  В данном случае ввиду дискретности наблюдений значение функции правдоподобия представляет собой совместную вероятность получить те наблюдения, которые имеются в наличии. Согласно методу максимального правдоподобия будем искать неизвестные параметры,  решая задачу:

,

Значения неизвестных параметров, доставляющих максимум функции правдоподобия, будем обозначать и называть оценками максимального правдоподобия. В диссертации показано существование решений сформулированной оптимизационной задачи, разработан алгоритм нахождения оценок и написана программа в среде Matlab, позволяющая находить оценки метода максимального правдоподобия, строить логит и пробит модели и проводить верификацию построенных моделей на имеющихся статистических данных. На первом этапе в работе с программой необходимо выбрать метод:  логит или пробит-анализа (рис.5).

Рис. 5  Окно выбора метода.

Перед началом работы необходимо сформировать файлы, содержащие начальные данные. Данные формируются в текстовом формате в соответствии с определенными правилами, изложенными в шаблонах.

Пути к файлам выбираются с помощью соответствующих кнопок в главном окне программы (рис.6). В качестве начальных данных необходимо указать:

  • Имя файла, содержащего значения измерений факторов и показателя;
  • Имя файла, в который будет записываться ответ.

Рис. 6  Главное окно. Логит и пробит методы.

Для использования возможности построения трехмерных графиков:

  • Имя файла, содержащего значения фиксируемых переменных.

Для построения бинарной регрессии значение показателя должно быть дихотомической величиной. В программе предусмотрена опция сведения показателя к бинарной величине, и она должна быть использована, если файл входных данных содержит вещественные значения показателя, иначе программа выдает ошибку с информацией о невозможности построения бинарной регрессии. В случае выбора опции сведения показателя к бинарной переменной, программа предлагает задать пороговый уровень, значение которого используется для расчета бинарной переменной.

После ввода входных данных необходимо задать имя файла для записи результата. Затем строится уравнение модели логит или пробит-анализа. На экран выводится уравнение построенной регрессии, результат – уравнение построенной регрессии – также записывается в текстовый файл. В текстовом выходном файле указывается метод, по которому было построено уравнение, путь и название файла исходных данных. После построения уравнения становятся доступными опции построения графика, формирования прогноза и задания интервалов для определения «разброса» наблюдений. Рассчитывается показатель доли успешных прогнозов, т.е. отношение количества значений наблюдений, построенных по методу логит или пробит-анализа, определенных как верные по принципу проверки, изложенному в постановке задачи, к общему количеству наблюдений в выборке.

В заключение, обсудим общую схему применения логит и пробит анализов в точном земледелии, а также задачи, которые могут решаться на основе логит и пробит моделей. Предположим, что поле было разделено на относительно однородные участки, на которых получены числовые значения выбранных факторов и получено значение бинарной переменной,  здесь  номер участка. Кроме того, предполагается, что значения бинарных переменных, полученных на разных участках, статистически независимы. Вначале собранные данные используются для построения оценок неизвестных параметров и, следовательно, для построения модели, которая в принципе может применяться для прогнозирования. Однако построенную модель следует протестировать на пригодность по собранным статистическим данным. Для этого нужно сравнить значение бинарной переменной для каждого участка и значение построенной эмпирической модели  при подстановке в нее значений факторов, соответствующих тому же участку, что и бинарная переменная. Для того, чтобы модель могла быть признана адекватной, как правило, должно наблюдаться следующее соответствие: если бинарная переменная принимает значение 1, то модель  должна давать вероятность больше 0,5; при значении бинарной переменной 0, модель должна, как правило, давать вероятность меньше 0,5. Если подобное соответствие в большинстве случаев выполняется, то построенная модель пригодна для прогнозирования, а выбранный набор факторов достаточен. В противном случае модель непригодна. Тогда следует изменить набор объясняющих факторов. Но и в том случае, когда модель показала хорошие результаты при тестировании, можно попробовать уменьшить количество рассматриваемых факторов и для уменьшенного набора произвести все необходимые расчеты для построения оценок неизвестных параметров и, следовательно, для построения новой более простой модели. Если новая модель окажется хорошей, то это будет означать, что для прогнозирования достаточен уменьшенный по сравнению с первой моделью набор факторов. Таким образом, появляется принципиальная возможность определения минимально достаточного набора факторов. Определение минимально достаточного набора факторов для прогнозирования может иметь большое значение, так как измерение некоторых факторов может оказаться слишком трудоемким или точность определения числовых значений факторов слишком низкой. Кроме того, в любом случае речь идет об экономии ресурсов, что само по себе немаловажно.

Если в результате статистического исследования удается построить модель, пригодную для прогнозирования, можно провести математическое исследование модели с целью определения чувствительности построенной модели по отношению к изменению факторов. На базе подобного исследования можно произвести разбивку поля на относительно однородные кластеры с точки зрения близости вероятностей превышения урожаем заданного порогового уровня.

Еще одна задача, которая может решаться на базе построенной модели,  заключается в следующем. Имея различные наборы числовых значений факторов на конкретном поле, можно оценить вероятность превышения порогового уровня урожайности, например, для наихудшего числового набора факторов и тем самым получить оценку гарантированного значения вероятности превышения порогового уровня урожайности  для данного поля. Решение перечисленных задач имеет важный методологический смысл, так как позволяет с альтернативных позиций ответить на основные вопросы статистического анализа данных – об информативности выбранных факторов,  об их достаточности для адекватного математического описания существующих в природе взаимосвязей в их прикладном аспекте,  а также поставить и решить задачу  прогнозирования продуктивности сельскохозяйственных  культур в условиях точного земледелия. 

Глава 4. Экспериментальные исследования и статистические методы обработки и анализа натурных данных  в точном земледелии.

В соответствии с концепцией совершенствования информационного обеспечения точного земледелия в разделе 4.1 диссертации подробно обсуждаются методические основы организации опытного дела по интенсификации исследований в земледелии, обеспечивающие изучение агроэкосистем на этапе перехода к новым агротехнологиям и потенциальные возможности точного земледелия для повышения уровня достоверности получаемых натурных данных с наименьшими затратами.

Как показывают выполненные Агрофизическим институтом работы,  процесс интенсификации экспериментальных исследований по изучению агроэкосистем достигается наиболее эффективно при реализации трехуровневого моделирования функционирующего почвенно-растительного комплекса: натурного – на биополигонах в полевых условиях, физического – на основе регулируемой агроэкосиситемы и математического (Ермаков Е.И., Семенов В.А., Полуэктов Р.А.). Организация взаимосвязанных системных исследований с использованием натурного, физического и математического моделирования позволяет осуществлять одновременное комплексное изучение почвенно-растительной системы при оптимальных условиях и стрессовых воздействиях на посевы.

Однако главным методом экспериментальных исследований по изучению агроэкосистем был и остается натурный полевой опыт, позволяющий получать необходимую для науки и практики информацию, проверять эффективность способов выращивания сельскохозяйственных культур, оценивать влияние на этот процесс и его конечный результат (урожай) условий внешней среды и управляющих воздействий.

Вместе с тем, огромная амплитуда почвенно-климатических различий в нашей стране выдвигает на первый план базовую задачу по созданию комплексной экспериментальной сети, которая репрезентативно охватывала бы все разнообразие природных условий и определяла границы территорий обслуживания для каждого опытного поля со свойственной ему почвенно-климатической характеристикой.

В этой связи наряду с географической сетью с удобрениями новая концепция организации опытного дела в России по изучению агроэкосистем, разработанная в Агрофизическом институте академиком Россельхозакадемии В.А. Семеновым, предусматривает дополнительно создать сеть региональных систем экспериментов по всей  стране. Совокупность этих региональных  систем экспериментов будет составлять опорный каркас всей опытной работы научно-исследовательских учреждений Россельхозакадемии, ее организационную и информационную базу. Несмотря на практическую сложность реализации этой концепции она дает вектор развития опытного дела в России. В каждом регионе (зоне) предполагается заложить по одному большому балансовому опыту со шлейфом микрополевых, вегетационных, лабораторных экспериментов, помогающими уточнить детали, подробнее рассмотреть отдельные составляющие сложных процессов, протекающих в агроэкосистемах. При этом прецизионные опыты займут решающее место в такой среде исследований как разработка применений удобрений и химических мелиорантов.

Важно отметить, что с распространением технологии точного земледелия для хозяйств открываются новые возможности получения достоверных результатов в «собственных опытах» с наименьшими затратами. Каждый руководитель может заложить и провести в своем хозяйстве производственные опыты, используя прецизионную технику с навигационным оборудованием. Исследования могут проводиться на любом сельскохозяйственном поле, имеющем электронный цифровой образ с четкими границами в пространстве, определенными с помощью глобальных координат. При этом представляется уникальная возможность изучения гетерогенности почвенных условий всего поля и (или) текущего состояния посева. В обычных же деляночных опытах гетерогенность является помехой при планировании эксперимента, а при такой постановке вопроса она является объектом исследований в системе точного земледелия. Именно выявленная гетерогенность  определяет степень необходимой дифференцируемости на сельскохозяйственном поле. Результаты опыта в целом, а также сопутствующие натурные данные наблюдений автоматически фиксируются с помощью специальной техники (местоположение, состояние посева, урожайность) и накапливаются в базе данных конкретного хозяйства. Благодаря этому гарантируется достоверность исходных данных, полученных в прецизионном опыте, и у руководителя появляется возможность определить оптимальную стратегию хозяйствования на основе обработки и последующего анализа экспериментальной информации.

В разделе 4.2 диссертации рассмотрена методология, в соответствии с которой предложено применять параметрические и непараметрические методы статистической обработки натурных данных, получаемых в экспериментальных  исследованиях на опытных полях и в производстве с помощью технических средств точного земледелия и уже после этого проводить сравнительный анализ результатов для повышения надежности управленческих решений.

В разделе 4.3 диссертации предложена определенная совокупность параметрических и непараметрических методов прикладной статистики, рекомендуемых  к применению в системном анализе натурных данных. Выполнена соответствующая классификация рекомендуемых методов, представленных  в таблице, с указанием условий проведения сравнительного анализа статистических гипотез. Важно отметить, что для всех предложенных процедур обработки и анализа данных в диссертации либо разработан специальный программный инструментарий, либо рассмотрены технологии применения стандартного математического обеспечения. Соответствующая тематика, связанная с программным обеспечением процесса обработки и анализа натурных данных, более подробно изложена ниже.

Таблица. Классификация параметрических и непараметрических процедур при проверке статистических гипотез

Проверяемая гипотеза

Параметрический метод

Непараметрический метод

1)Анализ парных повторных наблюдений (проверяется отсутствие эффекта обработки)

Критерий Стьюдента-проверяется равенство нулю математического ожидания разностей парных наблюдений; предполагается, что разности починяются нормальному распределению

1)Непараметрический критерий знаков - проверяется гипотеза об отсутствии эффекта обработки для парных повторных наблюдений; предполагается, что распределение разностей непрерывно. 2)Непараметрический критерий Уилкоксона - проверяется гипотеза об отсутствии эффекта обработки для парных повторных наблюдений; предполагается, что распределение разностей непрерывно

2)Однородность двух выборок или некоторых характеристик исследуемых совокупностей

1)Критерий Стьюдента-

проверяется равенство средних двух генеральных совокупностей; предполагается, что выборки взяты из совокупностей, распределенных по нормальному закону.

2)Критерий Фишера - проверяется

равенство дисперсий двух

генеральных совокупностей;

предполагается, что выборки взяты из совокупностей, распределенных по нормальному закону

1)Критерий Уилкоксона проверяется совпадение распределений двух

генеральных совокупностей;

предполагается, что распределения непрерывны.

2)Критерий Манна-Уитни -

проверяется совпадение распределений двух генеральных совокупностей;

предполагается, что распределения непрерывны.

3)Критерий Колмогорова Смирнова - проверяется совпадение распределений двух генеральных совокупностей; предполагается, что распределения непрерывны.

3)Однофакторный анализ (проверка однородности нескольких выборок, полученных при разных уровнях фактора)

Стандартный дисперсионный анализ - проверяется совпадение средних;

предполагается, что все выборки извлечены из нормального распределения

1)Критерий Краскела – Уоллиса (произвольные альтернативы) проверяется отсутствие сдвигов выборок относительно друг друга; предполагается, что распределения непрерывны.

2)Критерий Джонкхиера (альтернативы с упорядочением) -проверяется отсутствие сдвигов выборок относительно друг друга; предполагается, что распределения непрерывны

4)Двухфакторный анализ (проверяется гипотеза об отсутствии эффекта обработки при наличии мешающего фактора)

Стандартный дисперсионный анализ - проверяется отсутствие эффекта обработки; предполагается, что все наблюдения подчиняются нормальным распределениям.

1)Критерий Фридмана (произвольные альтернативы) – проверяется отсутствие эффекта обработки; предполагается, что распределения наблюдений непрерывны.

2)Критерий Пейджа (альтернативы с упорядочением) – проверяется отсутствие эффекта обработки; предполагается, что распределения наблюдений непрерывны.

3)Критерий Доксама – проверяется отсутствие эффекта обработки; предполагается, что распределения наблюдений непрерывны.

5)Проверка независимости двух и более признаков

Стандартный корреляционный анализ (коэффициенты парной корреляции, коэффициенты частной корреляции, коэффициенты множественной корреляции)-проверяется статистическая значимость выборочных коэффициентов корреляции, предполагается, что распределение выборок является совместным нормальным.

1)Критерий независимости Хефдинга -проверяется независимость двух признаков;

наблюдения извлечены из непрерывной двумерной совокупности.

2)Критерий независимости Кендэла -проверяется независимость двух признаков;

6)Проверка гипотезы о значении углового коэффициента в парной линейной регрессии

Критерий Стьюдента- проверяет гипотезу о возможном значении углового коэффициента; предполагается, что наблюдения распределены нормально.

Критерий Тейла- проверяет гипотезу о возможном значении углового коэффициента; предполагается, что распределения наблюдений непрерывны.

Глава 5. Алгоритмические и программные реализации непараметрических методов.

В разделе 5.1 диссертации рассмотрены алгоритмы проверки основных статистических гипотез с помощью непараметрических критериев, а в разделе 5.2 подробно изложена программная реализация рассмотренных критериев в среде Matlab. Часть программ содержится в статистическом разделе среды Matlab, остальные программы являются оригинальными разработками. Все они объединены единым интерфейсом с развитой системой справок по каждой статистической процедуре, удобным способом задания исходных данных, простым способом вызова статистических процедур, системой тестовых примеров по каждой статистической процедуре.

При запуске приложения появляется основное окно программного комплекса (рис.7), содержащее список непараметрических тестов, кнопки вызова критерия, справки и закрытия приложения.

Рис. 7. Основное окно программного комплекса

Для вызова критерия необходимо выбрать его из списка (по умолчанию выбран первый критерий) и нажать на кнопку OK. При этом появляется новое графическое окно (рис. 8.), соответствующее выбранному критерию. Рассмотрим для примера непараметрический критерий знаков.

Рис.  8.  Графическое окно критерия знаков

Входные данные. Входными данными являются два текстовых файла. Каждый из них должен содержать одну выборку. Выборочные данные в файлах располагаются либо в столбце, либо в строке через пробел.

Выходные данные. В качестве файла выходных данных можно использовать любой текстовый файл. Если файл существует, то его содержимое будет заменено на результат теста. Если файл не существует, то программа создаст файл и запишет в него результат.

Для выполнения теста надо:

Ввести входные данные. Это можно сделать двумя способами: использовать кнопку Обзор или набрать полный путь  к файлу в соответствующем поле.

Ввести уровень значимости в соответствующее поле.

Выбрать метод (по умолчанию выбран точный метод). Для этого требуется поставить флаг в соответствующий чек бокс.

Ввести файл выходных данных. Это также можно сделать двумя способами: использовать кнопку Обзор или набрать полный путь  к файлу в соответствующем поле.

Нажать кнопку ОК.

После нажатия кнопки ОК открывается текстовый файл выходных данных с результатами теста. Результатом является значение знаковой статистики, значение асимптотически нормальной статистики, если используется приближенный метод, p-значение и вывод о том, принята гипотеза или нет. Также вывод о том, принята гипотеза или нет, выводится на форму:

Результаты работы программы в тестовом примере:

Значение знаковой статистики:  3

Значение асимптотически нормальной статистики:  нет

p-значение:  0.035156

Уровень значимости: 0.05

Результат: Отклоняем нулевую гипотезу на уровне значимости 0.05

При нажатии кнопки Отмена появляется основное окно программы, которое можно использовать для дальнейшего анализа.

Вызов справки. Каждый критерий снабжен справкой, которая содержит описание теста, входных данных и результатов. Для вызова справки надо выбрать критерий из списка  и нажать на кнопку Справка. При этом появляется окно со справочной информацией  (рис. 9.)

 

Рис. 9. Справочное окно по критерию знаков

Глава 6.  Процедуры построения и верификации регрессионных зависимостей

Построение и исследование эмпирических зависимостей является основной задачей статистического анализа натурных данных. В настоящее время имеется много различных подходов к решению этой задачи. Наряду с традиционным методом наименьших квадратов для построения эмпирических зависимостей можно использовать альтернативный подход – квантильную, в частном случае, медианную регрессию – не требующий для своей практической реализации обязательного выполнения многих важных предположений классического регрессионного анализа. Метод квантильной регрессии предполагает лишь непрерывность распределения случайной компоненты и в этом смысле он может быть назван непараметрическим методом, то есть свободным от распределения.

В разделе 6.1 диссертации подробно изложена методика построения квантильной и медианной регрессий.  В классическом линейном регрессионном анализе для оценки неизвестных параметров модели, как правило, коэффициентов при факторах

  где ,                      

применяется метод наименьших квадратов (МНК) при предположении, что наблюдения имеют вид , где , n- объем выборки.

При этом для того, чтобы были выполнены различные свойства оптимальности оценок по методу наименьших квадратов, необходимо выполнение ряда предположений регрессионного анализа. В частности, совместное распределение случайных величин должно быть нормальным. Выполнение гипотезы о том, что случайные компоненты наблюдений подчиняются нормальному распределению с постоянной дисперсией, дает возможность построить строгую математическую теорию проверки статистической значимости построенных зависимостей и найденных оценок в рамках метода наименьших квадратов.

Однако следует заметить, что методов, позволяющих надежно проверить выполнение выше приведенных условий, не существует, по крайней мере, для выборок относительно небольшого объема. Кроме того, часто вообще не удается указать какое-либо параметрическое семейство, к которому принадлежит распределение случайных компонент. В прикладных задачах нередко встречается ситуация, когда распределение, характеризующее случайность, меняется в процессе наблюдений, что, конечно, не укладывается в традиционную схему, рассматриваемую в параметрической статистике, в частности в методе наименьших квадратов. Кроме того, в реальных данных могут содержаться наблюдения с другим распределением случайной компоненты, например, так называемые «выбросы» или «аномальные наблюдения». Наличие отдельных выбросов, «загрязняющих» выборку наблюдений, резко ухудшает качество построенных моделей по методу наименьших квадратов. Выводы, сделанные по таким эмпирическим зависимостям, могут содержать грубые ошибки.

Альтернативой традиционному подходу на основе метода наименьших квадратов может служить так называемая квантильная, в частном случае медианная регрессия. Главное отличие в вычислительной части заключается в том, что в методе квантильной регрессии минимизируется сумма асимметрично взвешенных абсолютных погрешностей, а в МНК сумма квадратов отклонений. Среди преимуществ метода квантильной регрессии можно выделить следующие наиболее значимые:

1. Квантильная регрессия устойчива к «выбросам», которые встречаются на практике, что позволяет избежать процедуры сглаживания исходных данных и процедуры цензурирования.

2. С помощью метода квантильной регрессии, можно получить не только хорошие аппроксимации характера зависимости (медианная регрессия), но и сделать выводы о размахе колебаний значений показателей.

Коэффициенты квантильной регрессии -го порядка определяются как решение задачи линейного программирования.

Алгоритм решения задачи нахождения квантильной регрессии реализован в среде MatLab. Программа представляет собой комплекс средств, предназначенных для решения задачи построения  квантильной регрессии и многопланового анализа полученных результатов. 

Ввод данных. Перед началом работы необходимо сформировать файлы, содержащие начальные данные. Данные формируются в текстовом формате в соответствии с определенными правилами, изложенными в шаблонах.

Рис. 10. Графический интерфейс

Пути к файлам выбираются с помощью соответствующих кнопок в главном окне программы (рис. 10). В качестве начальных данных необходимо указать:

  • имя файла, содержащего значения измерений факторов и показателя;
  • имя файла, в который будет записываться ответ;
  • значения уровня квантиля.

Для использования возможности построения трехмерных графиков дополнительно указывается имя файла, содержащего значения фиксируемых переменных.

Программа вычисляет значения коэффициентов уравнения квантильной регрессии для введенных данных и значения квантиля. Строятся три уравнения, два для квантильной регрессии со значениями квантиля и (где – входное значение квантиля, ). Эти два уравнения представляют собой «коридор», в который будут попадать значения наблюдаемого показателя с вероятностью  ,  с помощью чего можно оценить размах колебаний значений показателя. Третье уравнение - медианная регрессия, частный случай квантильной регрессии  (). 

Результаты в виде уравнений квантильных регрессий и медианной регрессии записываются в текстовый файл, указанный в качестве файла вывода,  а также выводятся на экран. В текстовом файле, помимо уравнений, выводится имя файла входных данных.

Для визуализации полученных данных строятся следующие графики:

  1. Диаграмму зависимости показателя от номера наблюдения. На этом графике также указываются значения наблюдений показателя (для всех трех построенных уравнений регрессии).
  2. Диаграмму зависимости показателя от номера наблюдения, построенной с помощью МНК. Каждая диаграмма выводится в новое окно с заголовком, содержащим порядковый номер построенного графика, название и значение квантиля, для которого строились зависимости. Такой способ обозначения окон позволяет проводить анализ более эффективно.
  3. Трехмерный график зависимости показателя от факторов (для всех трех построенных уравнений регрессии – см. рис. 11. В случае если факторов больше чем два, данный график представляет собой «сечение», то есть фиксируются значения всех факторов кроме двух. Фиксируемые факторы и их значения задаются в файле начальных данных, используемом для построения трехмерного графика. Фиксировать можно любые факторы. 

Рис. 11. Трехмерные графики построенных зависимостей

Графики можно сохранять, например, в формате jpeg, для дальнейшего использования в отчетах и исследованиях. С помощью программы реализуется функция построения прогноза. По заданным значениям факторов с помощью файла входных данных для прогноза строится прогноз для значений показателя, а также прогноз интервала колебаний показателя. Результаты прогноза записываются в файл вывода,  имя которого пользователь задает при построении прогноза.

Важно особо подчеркнуть, что в анализе натурных данных целесообразно применять  оба метода построения эмпирических зависимостей одновременно, поскольку в случае практического совпадения построенных зависимостей степень доверия к эмпирической зависимости значительно возрастает. При наличии значимых различий появляется дополнительная информация для анализа. Чаще всего значительные различия в эмпирических зависимостях, построенных рассмотренными методами, вызваны наличием сильных одиночных выбросов, то есть нарушением основных предположений традиционного регрессионного анализа.

Необходимость совместного применения обоих методов обуславливает содержание раздела 6.2 диссертации, где представлено сжатое изложение множественной регрессии, а также включено подробное изложение вопросов выбора функциональных зависимостей, оценки их статистической значимости и степени адекватности построенных регрессионных моделей. Проверка статистической значимости при условии совместной нормальности всех случайных компонент производится на основе применения t- критерия (проверка значимости коэффициентов) и F-критерия (проверка значимости регрессии в целом). Проверка адекватности осуществляется менее формально, необходимо учесть коэффициент детерминации, а также значения получающихся остатков (отклонений наблюдений от построенной зависимости).  Приведена практическая реализация построения регрессионных зависимостей средствами Excel.

В разделе 6.3 диссертации предложена методика проверки однородности нескольких выборок, когда наблюдения подчиняются двухпараметрическому экспоненциальному распределению. Распределения, принадлежащие указанному параметрическому семейству, часто применяются в биологических исследованиях, в частности, они используются для моделирования времени жизни биологических объектов.

Предположим, что наблюдения имеют следующий вид

  , (6.1)

где номер способа обработки (номер выборки), случайные величины   имеют экспоненциальное распределение с плотностью:

тогда, как нетрудно заметить, наблюдения , определяемые моделью наблюдений (6.1), подчиняются двухпараметрическому экспоненциальному распределению с параметром сдвига и параметром масштаба .

Влияние способа обработки может сказываться только на величине параметра .

Проверяемая гипотеза имеет вид:

, то есть речь идет об однородности выборок, другими словами, об отсутствии влияния способа обработки.

Опишем методику проверки гипотезы . Пусть

  .

При справедливости гипотезы статистика:

подчиняется распределению Фишера со степенями свободы и . При нарушении гипотезы статистика имеет тенденцию  возрастать, поэтому против справедливости гипотезы говорят большие значения статистики , следовательно, целесообразно использовать правостороннюю критическую область. Доказательство того, что статистика , подчиняется  распределению Фишера со степенями свободы и , основано на специальных свойствах экспоненциального распределения. Методика проверки гипотезы с использованием статистики заключается в определении квантили уровня распределения Фишера со степенями свободы и , после чего проверяется выполнение условия : если неравенство выполнено, то гипотеза  отклоняется на уровне значимости , если неравенство нарушается, то проверяемая гипотеза принимается.

Заключение

В ходе выполнения диссертации получены следующие результаты:

1.        Выбор оптимального момента времени проведения  основных  агротехнологических  операций приобретает особое значение в точном земледелии. Предложена математическая постановка оптимизационной задачи  выбора оптимального момента времени для проведения агротехнологической операции в условиях стохастической неопределенности, объективно присутствующей в практике применения агротехнологий и обусловленной действием большого числа разнообразных причин. В научно-исследовательских учреждениях сельскохозяйственного профиля накоплен многолетний экспериментальный материал, содержащий сведения для получения статистических и экспертных оценок, которые позволяют обоснованно подойти к постановке оптимизационной задачи выбора оптимального момента времени проведения  основных  агротехнологических  операций. В диссертации рассмотрены следующие возможные случаи:

1.1.        Для известной функции распределения оптимального момента времени проведения агротехнологической операции аналитически найдено решение сформулированной оптимизационной математической задачи. Полученный результат довольно просто реализуется на практике для наиболее часто применяемых вероятностных распределений.

1.2.        Для неизвестной функции распределения оптимального момента времени проведения агротехнологической операции предложен минимаксный подход, в рамках которого аналитически найдено оптимальное решение, легко реализуемое на практике.

1.3.        С целью уменьшения статистической неопределенности, связанной с выбором момента времени проведения агротехнологической операции,  рассмотрена ситуация, когда функция распределения оптимального момента времени проведения  агротехнологической операции представима в виде конечной смеси непрерывных строго возрастающих функций распределения, соответствующих различным условиям произрастания сельскохозяйственной культуры. Для этого случая также найдено оптимальное решение.

1.4.        В рамках рассматриваемой математической постановки решена задача нахождения оценки оптимального момента  времени проведения агротехнологической операции по накопленной многолетней статистической информации. Рассмотрен конкретный пример.

2.        На основе биометрического подхода к  определению биоэквивалентности двух относительно больших участков на сельскохозяйственном поле по урожайности некоторой сельскохозяйственной культуры за несколько лет с использованием  статистического моделирования выборок из нормальных распределений разработан алгоритм оценки, выполнена его программная реализация.

3.        Предложен математико-статистический метод выделения относительно однородных зон на сельскохозяйственном поле по урожайности отдельных небольших участков на поле за один год и разработан адаптивный вероятностный алгоритм решения этой задачи  на основе разделения конечной смеси распределений. Создана  программа выделения однородных  технологических зон по продуктивности, получаемой автоматически с помощью зернового комбайна, оснащенного датчиками урожайности, бортовым компьютером и системой GPS, получившая свидетельство о государственной регистрации.

4.        Предложен новый алгоритм адаптивного прогнозирования временных рядов, в частности характеризующих агрометеорологические условия произрастания сельскохозяйственных культур. Написана программа, которая была успешно апробирована при прогнозировании среднесуточных температур воздуха по данным, собранным на полигоне Агрофизического НИИ.

5.        Разработана методология и алгоритмы применения логит и пробит анализов для прогнозирования урожайности сельскохозяйственной культуры на поле по выбранному набору агрометеорологических, агрофизических, агротехнологических и других характеристик.  Поставлены вопросы проверки достаточности выбранного набора факторов для решения задачи прогнозирования урожайности культуры. Создана и апробирована соответствующая компьютерная программа.

6.        Разработана методология и предложена схема анализа натурных опытных данных на основе применения методов параметрической и непараметрической статистики. Показано, что только комплексный подход к анализу опытных данных в точном земледелии с учетом принципиальной неполноты статистических данных, вызванной ограниченностью объемов выборок и значительной пространственно-временной изменчивостью данных, с обязательным сравнением выводов, полученных по разным методам анализа данных, позволит обеспечить достаточно высокую надежность и достоверность.

7.        Выполнена классификация и проведено сопоставление параметрических и непараметрических методов, предназначенных для решения основных задач анализа данных. Предложенный в работе набор статистических методов и методик является в целом достаточным для проведения обоснованного анализа опытных натурных данных.

8.        Разработан и создан комплекс программ по непараметрической статистике в среде Matlab, включающий как имеющиеся непараметрические процедуры, так и процедуры, прежде нереализованные в среде Matlab. Комплекс программ обладает удобным и доступным для непрофессионалов интерфейсом и позволяет с единых позиций осуществлять анализ опытных данных.

9.        Разработан алгоритм и создана программа построения квантильной и, в частном случае,  медианной регрессий. Программа позволяет строить стандартную регрессию методом наименьших квадратов и проводить сравнение построенных зависимостей, в результате чего появляется дополнительная информация, позволяющая делать выводы о наличии отдельных «аномальных наблюдений». В работе подробно обсуждается методика построения регрессионных зависимостей в среде Excel и даются рекомендации по практическому построению регрессионных зависимостей.

СПИСОК ОСНОВНЫХ РАБОТ ПО ТЕМЕ ДИССЕРТАЦИИ

I. Статьи в изданиях, рекомендованных для публикации результатов диссертации на соискание ученой степени доктора наук

  1. Буре В.М., Седунов Е.В.  Несмещенные в метрике L2 процедуры планирования и анализа регрессионных экспериментов// Вестн. ЛГУ. N 13. 1978. с.53-57
  2. Буре В.М. Несмещенные процедуры планирования и анализа регрессионных и авторегрессионных экспериментов// Вестн. ЛГУ. N 7. 1979. с.71-72
  3. Буре В.М., Седунов Е.В. К вопросу об использовании интерполяционных кубатурных формул для вычисления коэффициентов Фурье// Известия Вузов. N8. 1981.с. 63-65.
  4. Буре В.М., Кирпичников Б.К. Деградирующий процесс восстановления как модель нарушения экологического равновесия// Обозрение прикладной и промышленной математики. Москва. Т.1. Вып.6. 1994. с.850-859.
  5. Буре В.М., Кирпичников Б.К.  Интегральное уравнение и предельная теорема в модифицированной модели процесса восстановления// Вестн.С.-Петерб. ун-та. Сер. 1. 1997. Вып.4. с.3-4.
  6. Буре В.М., Смолянская Е.А. Конкурентное прогнозирование//  Вестн.С.-Петерб. ун-та. Сер. 1. 2000. Вып.1. с.16-20.
  7. Якушев В.П., Буре В.М. Методологические подходы к оценке оптимального момента времени проведения агротехнологических мероприятий//Доклады РАСХН. 2001. № 4. с.27-30.
  8. Буре В.М. Теоретико-игровая модель одной системы массового обслуживания// Вестн.С.-Петерб. ун-та. Сер. 1. 2002. Вып.2. с.3-5.
  9. Якушев В. П., Буре В. М. Статистическая оценка распределения оптимального момента времени проведения агротехнического мероприятия //Доклады РАСХН.2002.№ 3. с.11-13.
  10. Буре В.М.  Об одном обобщении неравенства Селберга// Вестн. С.-Петерб. ун-та. Сер. 10. 2006.Вып.4. с.125-126
  11. Якушев В. П., Буре В. М. Оценка биоэквивалентности двух участков на сельскохозяйственном поле//Доклады РАСХН. 2006. № 5. с.38-40.
  12. Якушев В. П., Буре В. М., Якушев В. В. Выделение однородных зон на поле по урожайности отдельных участков//Доклады РАСХН. 2007. № 3. с. 33-36.
  13. Буре В.М. Методологические аспекты статистического анализа в точном земледелии //Доклады РАСХН, 2007, №6. с.54-56.
  14. Якушев В. П., Буре В. М., Якушев В. В. Методология и инструментарий анализа натурных данных в точном земледелии//Доклады РАСХН. 2008. № 6.  с.56-59.
  15. Якушев В.П., Якушев В.В., Якушева Л.Н., Буре В.М. Электронная карта урожайности как информационная основа прецизионного внесения удобрений. «Земледелие» №3, 2009.

II. Статьи в других периодических изданиях и в аналитических сборниках.

  1. Якушев В.П., Буре В.М., Брунова Т.М. Статистические методы в агрофизике// Агрофизика от А.Ф. Иоффе до наших дней.- СПб.: АФИ, 2002.  с. 319-330.
  2. Буре В.М., Петрушин А.Ф., Якушев В.В. Автоматизированная система стохастического выделения однородных технологических зон на сельскохозяйственном поле по данным урожайности. Свидетельство о государственной регистрации программы для ЭВМ № 2008614663 от 29 сентября 2008 г.
  3. Буре В.М., Плахотник С.В.  Адаптивные методы прогнозирование временных рядов в среде Matlab- Труды III  Всероссийской научной конференции «Проектирование научных и инженерных приложений в среде Matlab», СПб, изд. С-Петерб. ун-та,  2007. с.1363-1370.
  4. Буре В.М., Котина С.О. Нетрадиционные подходы в регрессионном анализе// Процессы управления и устойчивость: Труды 38-й международной научной конференции. СПб., 9–12 апреля 2007 г. / Под ред. А. В. Платонова, Н. В. Смирнова. — СПб.: С.-Петерб. ун-т, 2007. с. 530-535.
  5. Буре В.М. Равновесие в одной модели массового обслуживания// Второй всероссийский симпозиум по прикладной и промышленной математике. Обозрение прикладной и промышленной математике. Т.8. Вып.2. Москва.  2001. с.545-546.
  6. Буре В.М., Давыдова Е.А. Теоретико-игровая модель системы обслуживания с тремя обслуживающими устройствами// В кн.: Динамические игры и их приложения. Под редакцией Л.А. Петросяна и А.Ю. Гарнаева. Ф-т прикладной математики – процессов управления С.-Петерб. ун-та. ВВМ. 2006. с.37-39.
  7. Белоносова И.Ю., Буре В.М. Оптимальное и компромиссное решения в перестраховании // В кн.: Динамические игры и их приложения. Под редакцией Л.А. Петросяна и А.Ю. Гарнаева. Ф-т прикладной математики – процессов управления С.-Петерб. ун-та. ВВМ. 2006. с.27-29.
  8. Boure V.M. An equilibrium design in the location problem of detecting facilities// Prooceedings of the 4th St. Petersburg Workshop on Simulation, 2001. P.169-172
  9. Буре В.М., Ковригин А.Б., Седунов Е.В. Критерии минимаксного типа в несмещенном планировании регрессионных экспериментов// В кн.: Вопросы кибернетики. Нетрадиционные подходы к планированию эксперимента. – Наука. Москва. 1981.  с. 69-83.
  10. Буре В.М., Ковригин А.Б. Оптимальное планирование эксперимента при оценке параметров авторегрессии// В кн.: Вопросы кибернетики. Нетрадиционные подходы к планированию эксперимента. – Наука. Москва. 1981. с. 83-95.
  11. Буре В.М., Седунов Е.В. Некоторые частные постановки задач в теории несмещенного планирования регрессионных экспериментов// В кн.: Вопросы кибернетики. Нетрадиционные подходы к планированию эксперимента. – Наука. Москва. 1981.  с. 21-45.
  12. Буре В.М. Равновесные планы в задаче слежения// Второй всероссийский симпозиум по прикладной и промышленной математике. Обозрение прикладной и промышленной математике. Т.8. Вып.1. Москва.  2001. с.116-117.
  13. Буре В.М., Кирпичников Б.К. Математические модели деградирующего процесса в экологии// В кн.: Моделирование природных систем и задачи оптимального управления. СО РАН, 1993. с.62-64.
  14. Буре В.М., Кирпичников Б.К.  Об одном интегральном уравнении в модифицированной модели процесса восстановления// Вторая всероссийская школа-коллоквиум по стохастическим методам. Москва. 1995. с.30-31.
  15. Буре В.М., Кобзева Е.Г. Перестрахование экспоненциального риска// В кн.: Процессы управления и устойчивость. Труды XXX научной конференции. СПб. С.-Петерб. ун-т. 1999. с.420-423.
  16. Буре В.М. Критерии случайности для временных рядов с конечным множеством допустимых значений// Четвертая всероссийская школа-коллоквиум по стохастическим методам. Обозрение прикладной и промышленной математики. Т.4. Вып. 3. Москва. 1997. с.333-334.
  17. Буре В.М., Власов С.А. Программная реализация логического анализа данных// В кн.: Процессы управления и устойчивость. Труды XXXШ научной конференции. СПб. С.-Петерб. ун-т. 2002. с. 340-344.
  18. Буре В.М., Власов С.А. Логический анализ данных// Третий всероссийский симпозиум по прикладной и промышленной математике. Обозрение прикладной и промышленной математике. Т.9. Вып.2. Москва.  2002. с.345-346.
  19. Якушев В.П., Буре В.М. О задаче оптимальной оценки момента времени проведения агротехнических мероприятий// В сб.: Современные проблемы опытного дела. Материалы международной научно – практической конференции. – СПб.:  АФИ, 2000. с.139-140.
  20. Якушев В. П., Буре В. М. Задача оценки момента времени проведения агротехнических мероприятий//Петрозаводск. Математические методы в экологии: Тезисы докладов Всероссийской научной школы. 2001. с.197-199.
  21. Буре В.М., Степанов А.В. Адаптивное краткосрочное прогнозирование – СПб.: МБИ, в кн. Математические методы исследования экономики, 2004.  с. 160-169.
  22. Якушев В. П., Буре В. М. Методологические аспекты статистического исследования.  Непараметрическая статистика//В сб.: Современные проблемы опытного дела: Материалы международной научно-практической конференции. СПб., 2000. с.179-184.
  23. Якушев В. П., Буре В. М. Методологические основы совершенствования количественного описания изменчивости биологических объектов// В кн.: Методическое и экспериментальное обеспечение адаптивно-ландшафтных систем земледелия. ГНУ АФИ Россельхозакадемии. С.-Петербург. 2007. с.16-34.
  24. Буре В. М., Абдураманов Р. А.  Квантильная регрессия как альтернатива классическому методу наименьших квадратов:  Материалы VI международной научно-практической конференции «Актуальные проблемы экономики и новые технологии преподавания (Смирновские чтения)». Т 2. СПб., 2007.  с.123-125.
  25. Буре В.М., Федорова А.С. Комплекс программ по непараметрической статистике - Труды III  Всероссийской научной конференции «Проектирование научных и инженерных приложений в среде Matlab», СПб, изд. С-Петерб. ун-та,  2007. c.100-105.
  26. Буре В. М., Тихонова Н. В. Критерии неоднородности экспоненциально распределенных наблюдений: Труды международной научно-практической конференции «Агрофизика XXI века (к 70-летию образования Агрофизического института)». СПб., 2002. с.313-317.
  27. Буре В.М. Стохастический спрос и равновесие по Нэшу// Третья всероссийская школа-коллоквиум по стохастическим методам. Москва. 1996. с.40-41.
  28. Bure V.M., Malafeyev O.A. Some game-theoretical models of conflict in finance// Nova j. of mathematics, game theory, and algebra. V. 6. #1. 1996. p. 7-14.
  29. Bure V.M.  Some game-theorethic models of prediction// Пятая международная Петрозаводская конференция «Вероятностные методы в дискретной математике». Обозрение прикладной и промышленной математике. Т.7. Вып.1. Москва.  2000. с.164-166.
  30. Буре В.М., Стрюк Е.В Кооперативное решение в задаче перестрахования риска// В кн.: Процессы управления и устойчивость. Труды XXXI научной конференции. СПб. С.-Петерб. ун-т. 2000.  с. 396-398.

  III. Монографии

  1. Буре В.М., Кирпичников Б.К. Вероятностные модели продолжительности функционирования сложных систем. - СПб.: Изд. С.-Петерб. ун-та, 1993. – 93с.
  2. Якушев В.П., Буре В.М. Статистический анализ опытных данных. Непараметрические критерии. – СПб.: АФИ, 2001. – 61с.
  3. Якушев В.П., Буре В.М.  Подходы к обнаружению статистических зависимостей. – СПб.: Изд. С.-Петерб. ун-та, 2003. – 64с.
  4. Якушев В.П., Буре В.М., Якушев В.В.  Построение и анализ эмпирических зависимостей. – СПб.: Изд. С.-Петерб. ун-та, 2005. – 39с.
  5. Буре В.М. Методология статистического анализа опытных данных.-СПб.: Изд. С.-Петерб. ун-та, 2007.  141 с.
  6. Буре В.М.  Комплекс программ по непараметрической статистике в среде Matlab. С.-Петербург: Изд. С.-Петерб. ун-та, 2007.  84 с.

  IV Научно-методические издания

  1. Буре В.М., Кирпичников Б.К.  Конспект-справочник  лекций по теории вероятностей и математической статистике.- СПб.. Ф-т прикладной математики-процессов управления С.-Петерб. ун-та. 1999. 143 с.
  2. Буре В.М., Кирпичников Б.К.  Лекции по теории вероятностей и математической статистике.- СПб. МБИ. 2000.  151 с.
  3. Буре В. М., Евсеев Е. А. Основы эконометрики. СПб. Изд. С.-Петерб. ун-та, 2004.  72 с.
  4. Буре В. М., Евсеев Е. А. Эконометрика: практикум на ПК. СПб., Изд. С.-Петерб. ун-та, 2003.  60 с.



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.