Разработка и применение системы поливариантного анализа динамических моделей продукционного процесса культурных растений

• Автор: Медведев, Сергей Алексеевич
• Шифр специальности: 06.01.03
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Санкт-Петербург
• Количество страниц: 161 с. : ил.

Содержание
Введение

Глава I. Современные системы математического моделирования в

сельском хозяйстве и экологии

1.1. Модели продукционного процесса в современном земледелии

1.2. Инфраструктура модели продукционного процесса

1.3. Универсальная оболочка моделей продукционного процесса GU1CS

1.4. Система поливариантного расчёта DSSAT

1.5. Технология структурной идентификации ОрепМ!

1.6. Система моделирования лесных экосистем DLES

1.7. Сравнительная характеристика описанных систем

Глава 2. Теоретические основы поливариантного расчёта
2.1. Основные понятия
2.2. Требования к структуре данных в системе поливариатного расчёта
2.3. Методы обработки данных при поливариантном расчёте
2.4. Прецеденты использования системы поливариантного расчёта
Глава 3. Технические аспекты реализации системы APEX
3.1. Расширение метаинформации в реляционных СУБД
3.2. Структура Базы Данных в системе APEX
3.3. Адаптеры для подключения внешних моделей
3.4. Методика разработки пользовательского интерфейса
Глава 4. Применение системы APEX в задачах теоретической
агроэкологии
4.1. Идентификация параметров динамической модели
4.2. Оптимизация полива в засушливых регионах
4.3. Исследование влияния климатических изменений на агроэкосистему
Глава 5. Применение системы APEX в задачах точного земледелия
5.1. Учёт неоднородности почвенного покрова
5.2. Оперативное сопровождение производственных посевов
Заключение
Список литературы

Введение
Важным инструментом при внедрении современных наукоемких технологий в традиционную практику растениеводства выступают прикладные динамические модели продукционного процесса сельскохозяйственных растений (Acock, 1989). Особенно значимой становится их роль в качестве интеллектуального ядра компьютерных систем поддержки агротехнологических решений в рамках новых перспективных трендов развития сельскохозяйственной отрасли - устойчивого и точного земледелия (Blackmore et al, 1994; Якушев и др., 2001; Якушев, 2002). Динамическая модель агроэкосистемы представляет собой алгоритм, позволяющий по исходным данным о внешних факторах (погода и агротехника) рассчитать динамику сельскохозяйственного посева в течение всего сезона вегетации - от сева до уборки и интерпретировать полученные результаты в терминах содержательных показателей - урожая, сроков наступления фенофаз и других индикаторы роста и развития растений (Passioura, 1996). Использование модельных расчетов позволяет существенно упростить анализ множества альтернативных решений и выбор оптимальных агротехнологий по сравнению с традиционным подходом, основанном на многолетних полевых опытах (Полуэктов, 1991).
Модели продукционного процесса имеют полувековую историю (Шатилов и др., 1976), однако лишь с появлением на массовом рынке персональных компьютеров они получили широкое распространение в прикладной сфере (Полуэктов, Якушев, 2003). К этому моменту посредством теоретических исследований был наработан большой интеллектуальный потенциал в сфере моделирования, что позволило моделям продукционного процесса быстро занять свою нишу, используя многолетние наработки. Важнейшим моментом, характеризующим современное состояние моделирования в сельском хозяйстве, стало появление сред запуска моделей (Yule et al, 1995).
Необходимость таких сред обусловлена тем, что модель в чистом виде
представляет собой вычислительный алгоритм. Сам по себе, без входных

данных и средств вывода результатов, он бесполезен. Для того чтобы передать модели входные данные и получить результаты, используются средства информационной поддержки модели. Как правило, они реализуются в виде базы данных, которая обеспечивает хранение совокупности показателей, необходимых для функционирования модели. Кроме этого, среда запуска моделей должна предоставлять дружественный пользовательский интерфейс, с помощью которого можно сформировать нужные условия прогона модели и проанализировать полученные результаты. Таким образом, прикладная система имитационного моделирования может быть схематически описана таким образом:
В простейшем варианте эта схема позволяет сформировать необходимый набор данных для однократного прогона модели и визуализировать результаты расчётов. Однако однократный прогон модели даёт лишь минимальную информацию о поведении моделируемой системы. Для решения научных и практических задач требуется организовать систему

состояния модели на шагах к от 1 до Г, а также внутренние переменные алгоритма, описываемого оператором/
Факторный эксперимент - это эксперимент, включающий более одной независимой переменной.
Фактор - это независимые переменные, которые варьируются при проведении эксперимента; они изменяются целенаправленно (Шеффе, 1980).
Поскольку результаты работы типовой динамической модели включают в себя все вектора состояния для каждого из шагов, при постановке технической задачи мы будем рассматривать исходный вектор состояния наравне со всеми остальными, т.е. наравне с зависимыми переменными. Это допущение правомерно, т.к. исходный вектор состояния в результатах можно рассматривать как копию части исходных данных. Оно позволяет выделить все результаты работы динамической модели в одну сущность, имеющую свою строгую интерпретацию в структуре факторного эксперимента.
Уровень, или градация фактора — одно из возможных значений, которое принимает фактор в ходе эксперимента. Если значения фактора являются количественными, то предпочтительнее использовать термин «уровень фактора», если качественными - «градация фактора».
Факторное пространство - это пространство, координаты которого соответствуют факторам, варьируемым в рамках эксперимента.
Факторный эксперимент может быть представлен как конечное множество точек в факторном пространстве. При проведении п-факторного эксперимента он описывается набором точек в п-мерном пространстве. Каждая точка имеет п координат и может быть описана в виде вектора следующего вида:
р (XI, х2, х3, ... х,),
где р - точка факторного пространства, х, - уровень /-го фактора., / - фактор, п - количество факторов в эксперименте.