Применение системно-когнитивного анализа для прогнозирования урожайности озимой пшеницы в фазе кущения
СК-анализ реализован в универсальной когнитивной аналитической системе «Эйдос», которая является отечественной универсальной системой искусственного интеллекта и широко применяется и развивается в настоящее время. Система «Эйдос» и методика ее применения разработаны профессором Луценко Е.В. в 1979 году для медицинской диагностики. Экспериментальная апробация системы в ходе численного эксперимента была проведена в 1981 году. В настоящее время система «Эйдос» применяется для решения задач прогнозирования, поддержки принятия решений и научных исследований во многих предметных областях. Основное меню системы «Эйдос» приведено на рис. 1.
Рисунок 1 – Основное меню системы «Эйдос»
Универсальная когнитивная аналитическая система «Эйдос» является отечественным программным продуктом и создана с использованием официально приобретенного лицензионного программного обеспечения. Система «Эйдос» содержит базовую часть, ряд систем окружения и программные интерфейсы для ввода данных из внешних баз данных различных стандартов.
Созданная семантическая информационная модель (СИМ) прогнозирования урожайности озимой пшеницы включает:
– объект управления – озимая пшеница;
– классы – будущие состояния урожайности пшеницы: высокая, выше средней, средняя, ниже средней, низкая;
– факторы, прогнозирующие урожайность пшеницы: количество растений осенью (шт./кв.м), количество растений весной в фазе кущения (шт./кв.м), высота растений в фазе кущения (см), абсолютная сухая масса растений в фазе кущения (г/кв.м);
– факторы окружающей среды – запасы продуктивной влаги.
Запасы продуктивной влаги в почве и атмосферных осадков выражают толщиной слоя воды в миллиметрах. Ожидаемые весной запасы продуктивной влаги в слое почвы 0-100 см выразим уравнением:
,
где Wос – осенние влагозапасы на дату последнего их определения (28 октября), мм;
y – изменение влагозапасов за период от даты последнего определения влажности почвы осенью до даты перехода средней суточной температуры воздуха через 5°С весной.
Наименьшая влагоемкость суглинистых почв в слое 0-100 см равна 170-180 мм, супесчаных – 150-160 мм и песчаных – 80-120 мм.
База исходных данных, в которую помещаются эмпирические данные, т.е. данные, полученные на основе опыта и практики, формируется в EXCEL и записывается в файл Inp_data. В первом столбце указывается наименование источника данных, во второй столбец заносится урожайность, полученная из эмпирических данных. В следующие столбцы заносятся значения описательных шкал-параметров, влияние которых на исследуемые градации класса «Урожайность» исследуются.
Файл Inp_data.xls помещается в папку Inp_data и в режиме 2.3.2.2 создается новое приложение, при вводе данных системе сообщаются номера столбцов класса и описательных шкал-факторов. Затем осуществляется синтез и верификация (оценка степени адекватности) модели.
Модели INF1-INF7 по сути, являются формулами для преобразования абсолютных частот в количество информации и знания. Однако дифференциальная достоверность данных моделей различная. На рис. 2 показано, что для данной задачи наибольшей достоверностью обладают частные критерии знаний INF4 и INF5, которые используются для идентификации и прогнозирования.
Рис. 2 Дифференциальная достоверность моделей INF4 и INF5
Количество правильно и ошибочно распознанных и нераспознанных результатов в отношении «Объект-класс» для модели INF4, приведенных на рис. 3, подтверждает обоснованность выбора оптимальной модели.
Рис. 3. Частота распознанных и нераспознанных объектов
Выполнить распознавание объектов согласно рис. 4.
Рис. 4 Результаты распознания объектов
Экранная форма сходств/различий объектов к рассматриваемым классам для модели INF4 приведена на рис. 5.
Рис. 5 Экранная форма сходств/различий объектов к рассматриваемым классам для модели INF4
На рис. 5 приведено сходство объектов, для которых прогнозируется высокая вероятность наступления данной ситуации. Символом «√» отмечен пятнадцатый экземпляр объекта, когда высокая урожайность реально наблюдалась на практике.
При генерации информационного портрета класса по заданному будущему состоянию объекта управления определяется система факторов, вызывающих переход объекта управления в это состояние. В начале информационного портрета класса идут факторы, оказывающие положительное влияние на переход объекта управления в заданное состояние, затем факторы, не оказывающие на это существенного влияния, и далее в порядке возрастания силы препятствования – факторы, препятствующие переходу объекта управления в это состояние.
Определить степень воздействия основных факторов на «Урожайность высокая». На основании анализа полученной диаграммы определить диапазон значений основных факторов, при которых можно ожидать высокую урожайность озимой пшеницы.
Определить степень воздействия основных факторов на «Урожайность выше средней». Показать, что основными определяющими факторами для достижения «Урожайности выше средней» остаются запасы продуктивной влаги и количество растений осенью, но значение данных показателей снижается. Значение показателя «Высота растений в фазе кущения» остается таким же, как для достижения «Урожайности высокая». Значение показателей «Количество растений весной в фазе кущения» и «Абсолютная сухая масса растений в фазе кущения» может быть снижено в два раза по сравнению с значениями данных показателей для достижения «Урожайности высокая».
При количестве растений осенью 150 шт./кв.м, количестве растений весной в фазе кущения 650 шт./кв.м, высоте растений в фазе кущения 12 см и абсолютной сухой массе растений в фазе кущения 240 г/кв.м получен максимальный уровень сходства с классом «Урожайность высокая» только 43%. Очевидно, что низкая высота растений в фазе кущения (12 см) не позволяет сделать хороший прогноз получения высокого урожая.
Определить степень воздействия основных факторов на «Урожайность средняя». Определить степень воздействия основных факторов на «Урожайность ниже средней». Определить степень воздействия основных факторов на «Урожайность низкая».
Подтвердить, что низкая урожайность озимой пшеницы ожидается, если запасы продуктивной влаги низкие, количество растений осенью 110-224 шт./кв. м, количество растений весной в фазе кущения 218-326 шт./кв. м, высота растений весной в фазе кущения 22-28 см растений, абсолютная сухая масса растений в фазе кущения 103-149 г/кв. м.
Получить результаты SWOT-анализа для классов «Урожайность высокая», «Урожайность выше средней», «Урожайность средняя», «Урожайность ниже средней», «Урожайность низкая».
Контрольные вопросы
1. Что выбирается в качестве классов распознавания и что в качестве факторов в задаче прогнозирования урожая?
2. Что такое "шкала качества" и "шкала количества"? Какие градации у этих шкал?
3. Как классифицировать факторы, влияющие на урожай?
4. В чем состоит задача прогнозирования количественных и качественных результатов выращивания сельхозкультур?
5. В чем состоит задача поддержки принятия решений при выборе зон и подзон выращивания, культур для выращивания, агротехнологий?
6. Каким образом можно научно обоснованно заменять одни факторы другими?
7. С какими проблемами сталкивается разработчик и исследователь при решении задачи прогнозирования урожая?
8. Какими долями мировой пашни, пастбищ и мировых запасов воды обладает Россия?
9. Какие проблемы в сельском хозяйстве сдерживают дальнейшее развитие отрасли?
10. Место и роль СК-анализа в структуре управления.
11. Какие факторы и как сильно влияют на урожайность озимой пшеницы?
12. Какие факторы оказывают отрицательное воздействие на инновационное развитие зернового производства?
Содержание отчета
Отчет должен содержать титульный лист, цель работы, полученные результаты работы, ответы на контрольные вопросы и выводы.
Выводы
Система "Эйдос", а также методика и технология ее применения являются адекватным инструментом для прогнозирования и поддержки принятия решений в растениеводстве. С помощью сформированной содержательной информационной модели можно спрогнозировать результаты выращивания сельскохозяйственных культур и выработать научно-обоснованные рекомендации по управлению урожайностью и качеством сельскохозяйственной продукции.
Литература
1. Уланова Е.С. Методы агрометеорологических прогнозов. – Л.: Гидрометеоиздат, 1959. – 280 с.
2. Луценко Е. В., Лойко В.И., Великанова Л.О. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: Монография (научное издание). – Краснодар: КубГАУ, 2008. – 257 с.
3. Горпинченко К.Н., Луценко Е.В. Прогнозирование и принятие решений по выбору агротехнологий в зерновом производстве с применением методов искусственного интеллекта (на примере СК-анализа). Монография (научное издание). – Краснодар, КубГАУ. 2013. – 168 с.
4. Луценко Е. В., Орлов А. И. Когнитивные функции как обобщение классического понятия функциональной зависимости на основе теории информации в АСК-анализе и системной нечеткой интервальной математике. // Научный журнал КубГАУ, №95(01), 2014. – C. 1-62.
5. Луценко Е. В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). – Краснодар: КубГАУ. 2002. – 605 с.
6. Трунев А.П., Луценко Е.В. Автоматизированный системно-когнитивный анализ влияния факторов космической среды на ноосферу, магнитосферу и литосферу Земли: Под науч. ред. д.т.н., проф. В.И. Лойко. Монография (научное издание). – Краснодар, КубГАУ. 2012. – 480 с.