Дата зміни інформації:

Джога Д. С. “АНАЛІЗУ НЕЛІНІЙНИХ НЕСТАЦІОНАРНИХ ПРОЦЕСІВ ІЗ ЗАСТОСУВАННЯМ SAS ONDEMAND”

ІV курс, факультет фізики, математики та інформатики

Терентьєв О. М.,  канд. тех. наук

 Уманський державний педагогічний університет імені Павла Тичини

 Умань

 

 Поступова зміна  кліматичних умов призвела  до певних  наслідків у землеробстві, а в майбутньому, як відзначають науковці [1], цей процес посилиться. На думку багатьох вчених-кліматологів потепління клімату позитивно позначиться на продуктивності рослинництва, адже інтенсивність процесів фотосинтезу залежно від інсоляції і температури може зрости на 30–100%. Такі культури, як пшениця, ячмінь, соняшник, рис і соя, дозріватимуть швидше, а їхня врожайність підвищиться на 20–30% [1, 2].

Метою дослідження є удосконалення існуючих методик аналізу, математичного моделювання та прогнозування урожайності сільськогосподарських культур для побудови адекватних моделей цих нелінійних нестаціонарних процесів, оцінювання коротко- і середньострокових прогнозів та підтримки прийняття управлінських рішень на основі системної методології адаптивного моделювання і комплексного застосування сучасних інформаційних технологій, зокрема інструментів SAS OnDemand.

Для прогнозування урожайності сільськогосподарських культур пропонується розробити множину математичних моделей за допомогою інструментарію системи SAS Enterprise Miner [6], що дає можливість автоматизувати вибір кращих моделей з використанням множини статистичних критеріїв. Інформаційною базою дослідження є дані  щодо урожайності основних сільськогосподарських культур зони Лісостепу України [7].

 Побудова моделей за експериментальними даними має істотну теоретичну та практичну основу [8-11]. Зокрема, існує широкий арсенал методів і засобів структурної та параметричної ідентифікації досліджуваних процесів. Крім того, ці засоби та методи можуть мати як універсальний характер, так і бути певною мірою орієнтованими на конкретні предметні галузі, різний рівень формалізації задачі.  Прикладом запропонованої реалізації даного адаптивного системного підходу є дослідження  можливості отримання приросту урожайності озимої пшениці залежно від агрометеорологічних умов. Вхідними даними є показники урожайності озимої пшениці в зоні північного Лісостепу України та метеорологічні показники за період 1988-2015 рр. Київської метеостанції [11].  В якості середовища моделювання використано SAS Enterprise Miner [6].

У даному дослідженні побудовано низку моделей, зокрема, для визначення взаємовпливу факторів, виконано двофакторний дисперсійний аналіз з перетином змінних, в результаті якого виявлено, що для підвищення якості прогнозування при побудові моделі крім попередника та обсягу внесених добрив слід враховувати температуру та кількість опадів у окремі періоди вегетації рослин. Побудована модель має наступний вигляд (1):

                                                       

Yijk спостереження продуктивності для кожного експерименту;

μ –  базовий рівень за всією вибіркою відгуків, що моделюються;

aI – вплив i-го добрива;

bj – вплив j-го виду культури попередника;

(ab)ij – вплив перетину між i-м добривом та j-м видом культури попередником;

eijk – похибка моделі.

При побудові моделі припускається, що спостереження незалежні, похибки нормально розподілені для кожного виду добрива, а дисперсії рівні для кожного виду добрива.

Фрагмент коду sas-програми:

proc glm data=agro.data_1  order=internal;

   class Fertilizer Previous_culture;

   model Productivity=Fertilizer Previous_culture Fertilizer*Previous_culture;

   title ‘Analyze the Effects of Fertilizer and Previous_culture’;

   title2 ‘Including Interaction’;

run;

quit;

Оскільки сприятливі значення агрокліматичних факторів і тривалість фаз розвитку рослин відомі за багаторічними спостереженнями, а сівозміна передбачена агротехнологією вирощування культури, то для прогнозування урожайності озимої пшениці побудовані відповідні регресійні моделі. Статистичні характеристики побудованих регресійних моделей подані у табл. 1.

Таблиця 1

Статистичні характеристики регресійних моделей, побудованих для прогнозування урожайності озимої пшениці

            Фактори моделі множинної регресії RMSE MAPE DW
Тільки добрива 1,19 24,78 2,25
Тільки культура попередник 1,24 26,39 2,07
Добрива та культура попередник 1,17 24,59 2,31
Добрива, культура-попередник, добрива-культура -попередник 1,17 24,59 2,32
Тільки температура 0,93 20,58 1,41
Тільки опади 1,05 19,43 1,51
Тільки температура та опади  0,69 13,62 1,17
Добрива, культура попередник, температура та опади 0,52 10,01 1,95

Загальна схема дослідження реалізує адаптивний підходу до прогнозного моделювання урожайності сільськогосподарських культур. Отримані результати свідчать про хороші перспективи його практичного використання для прогнозування урожайності польових сільськогосподарських культур з метою вибору оптимальної агротехнології та забезпечення раціонального природокористування.

Використання запропонованої методики є досить перспективним і дасть можливість покращити методику обробки результатів польових дослідів, так і забезпечить фахівція-аграрія інструментом прийняття рішень щодо прийняття конкретної агротехнології вирощування культури, і за потреби її корегування, використовуючи науково-обґрунтовані результати. Проте, використання даної методики передбачає наявність як відповідного програмного забезпечення систем підтримки прийняття рішень, так і фахової підготовки виконавців.

Напрямами подальших досліджень є удосконалення зазначеної методики за рахунок розширення кола розв’язуваних задач, що дозволить ширше використовувати інструменти SAS Enterprise Miner та різних методик  моделювання та прогнозування в рамках єдиної автоматизованої аналітичної системи.

Список використаних джерел

  1. Ромащенко М. І. Про  деякі  завдання   аграрної  науки   у   зв’язку  із  змінами клімату /  М. І. Ромащенко, О. О. Собко, Д. П. Савчук, М. І. Кульбіда.  –  К.:  Ін-т гідротехніки і меліорації УААН. – 2003. – 96 с.
  2. Кульбіда М. І. Оцінка фотосинтетичної продуктивності озимої пшениці за різноманітними сценаріями змін клімату в Україні /  М. І. Кульбіда  //    Хранение и перераб. зерна. – 2002. – № 4. – С. 18–23
  1. Program-technic komplex Control Agro [Online]. Available: http://control.ua/index.php/reseniya/selskoe-khozyajstvo/control-agro.
  2. Куссуль Н. Н. Регрессионные модели  оценки  урожайности сельскохозяйственных  культур  по  данным MODIS/ Н. Н. Куссуль, А. Н. Кравченко, С.В. Скакун, та ін.// Сборник  научных статей” Современные  проблемы  дистанционного  зондирования  Земли из космоса”. — 2012. — Том 9, №1. — С. 95–107
  3. Outer space in the service of agrarian [Online]. Available: http://www.agroprofi.com.ua/statti/1115-kosmichnij-prostir-na-sluzhbi-agrarija.html.
  4. Компанія SAS [Електронний ресурс] : офіційний web-сайт. – Режим доступу  http://www.sas.com/offices/europe/russia/company/index.html.
  5. Офіційний сайт Державної служби статистики України [Online]. Available: http://www.ukrstat.gov.ua/
  6. Довгий С. О. Методи прогнозування в системах підтримки прийняття рішень : наук.-навч. вид. / С. О. Довгий, П. І. Бідюк, О. М. Трофимчук, О. І. Савенков; НАН України, Ін-т телекомунікацій і глобал. інформ. простору. – К. : Азимут-Україна, 2011
  7. Довгий С.О. Системи підтримки прийняття рішень на основі статистично-ймовірнісних методів / Довгий С.О., Бідюк П.І., Трофимчук О.М. – К.: Логос, 2014. – 419 с
  8. Дмитренко В.К. Залежність врожаю зерна озимої пшениці від попередників та метеорологічних факторів / В.К. Дмитренко // Вісник с.-г. наук. — 1980. — № 3. — С. 15–19.
  9. Дем’янюк О.С. Моделювання продуктивності агроекосистеми залежно від показників біологічної активності ґрунту та гідротермічних умов / О. С. Дем’янюк, В. І. Гайдаржи, О. Б. Васильєва // Збалансоване природокористування. – 2017. – № 1. – С. 143-148.
  10. Bradley E.et al. Least angle regression / E. Bradley et al.   // The  Annals of Statistics. –  – vol. 32, No. 2,  pp. 407 – 499, [Online]. Available:   http://projecteuclid.org/euclid.aos/1083178935.
  11. Abdi H. Partial least square regression (PLS regression) / H. Abdi // Encyclopedia for research methods for the social sciences[Online]. Available: https://www.utdallas.edu/~herve/Abdi-PLS-pretty.pdf
  12. Greedy function approximation: a gradient boosting machine/ H. Friedman //The annals of statistics. – 2001. – vol. 29, No. 5, pp. 1189-1232, – [Online]. Available:  http://www.jstor.org/stable/2699986
  13. Агрокліматичний довідник по території України: за ред. Т.І. Адаменко, М.І. Кульбіди, А.Л. Прокопенка.  –  Кам’янець-Подільський: ПП Галагодза, 2011. – 108 с.
  14. Петров П. В. Агротехнологія і технологічні карти вирощування сільсько-господарських культур: навч.посіб./ Петров П.В., Посполітак Т.Є., Юркевич Є.О. – К.: Аграрна освіта,2009. –268с.
  15. Цілі сталого розвитку в Україні [Електронний ресурс] : – Режим доступу http://sdg.org.ua/ua

Залишити відповідь

Ваша e-mail адреса не оприлюднюватиметься. Обов’язкові поля позначені *

Введіть цифри, що зображені у квадратах *