CC BY
33
ISSN 0131-5226. Теоретический и научно-практический журнал. _ИАЭП. 20. Вып. 2(103)_
РАЗДЕЛ V ДЛЯ ОБСУЖДЕНИЯ
УДК 631.1 DOI 10.24411/0131-5226-202010247
МОДЕЛИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ ЭКСПОРТА И ИМПОРТА ПШЕНИЦЫ ПОД ВЛИЯНИЕМ КОСМОГЕОФИЗИЧЕСКИХ ФЛУКТУАЦИЙ НА ОСНОВЕ ТЕХНОЛОГИЙ
BIG DATA
А.Г. Давыдовский, канд. биол. наук
Белорусский государственный университет информатики и радиоэлектроники, Минск, Республика Беларусь
Целью работы является разработка и анализ математических моделей для прогнозирования экспорта и импорта пшеницы в различных странах мира под влиянием космогеофизических флуктаций, включая параметры солнечной и геомагнитной активности, с помощью технологий Big Data. Предложены подходы, основанные на математических моделях множественной линейной регрессии динамики объемов экспорта и импорта пшеницы под влиянием изменений космогеофизических характеристик. В частности, разработаны и проанализированы регрессионные математические модели, описывающие динамику экспорта и импорта пшеницы в период с 2000 по 2014 год. Полученные результаты могут быть использованы для информационного обеспечения решения задач прогнозирования и принятия оптимальных решений по управлению процессами и экспорта и импорта пшеницы в мире. В работе рассмотрены проблемы математического моделирования и прогнозирования экспорта и импорта пшеницы в условия аридного климата и космогеофизических флуктуаций.
Ключевые слова: математическое моделирование, прогнозирование, пшеница, экспорт, импорт, космогеофизические флуктуации, Big Data.
Для цитирования: Давыдовский А.Г. моделирование и прогнозирование экспорта и импорта пшеницы под влиянием космогеофизических флуктуаций на основе технологий Big Data //
Технологии и технические средства механизированного производства продукции растениеводства и животноводства. 2020. № 2(103). С. 108-117
BIG DATA BASED MODELING AND FORECASTING OF WHEAT EXPORTS AND IMPORTS UNDER THE INFLUENCE OF COSMOGEOPHYSICAL FLUCTUATIONS
A G. Davidovsky, Cand. Sc. (Biol.)
Belarusian State University of Informatics and Radioelectronics, Minsk, Republic of Belarus
This work aims to develop and analyze mathematical models for predicting the wheat exports and imports in various countries of the world under the influence of cosmo-geophysical fluctuation, including parameters of solar and geomagnetic activity, using Big Data technologies. The study proposed the approaches based on mathematical models of multiple linear regression of the dynamics of wheat export and import volumes under the influence of cosmogeophysical fluctuations. In particular, regression mathematical models describing the dynamics of wheat exports and imports in the period from 2000 to 2014 were
Технологии и технические средства механизированного производства продукции
растениеводства и животноводства_
developed and analyzed. The results obtained can be used for the information support of addressing the forecasting problems and making the optimal decisions associated with the management of wheat export and import processes in the world. The paper deals with the problems of mathematical modeling and forecasting of wheat exports and imports in arid climate and cosmogeophysical fluctuations.
Keywords: mathematical modeling, forecasting, wheat, export, import, cosmogeophysical fluctuations, Big Data.
For citation: Davidovsky A.G. Big Data-based modeling and forecasting of wheat exports and imports under the influence of cosmogephysical fluctuations. Tekhnologii i tekhnicheskie sredstva mekhanizirovannogo proizvodstva produkcii rastenievodstva i zhivotnovodstva. 2020. No. 2(103). 108-117 (In Russian)
Введение
В условиях четвертой промышленной революции актуальной проблемой развития агротехнологий растениеводства является разработка научной методологии и технологий прогнозирования и управления продуктивностью агрофитоценозов в условиях аридного климата, а также глобальных и локальных погодно-климатических флуктуаций. Традиционно выделяют два или три подтипа аридного климата - климат жарких пустынь, климат холодных пустынь и иногда мягкий климат пустынь. Для разграничения климата жарких и холодных пустынь обычно используется три изотермы, соответствующие
среднегодовой температуре воздуха около 18 °С, средней температуре самого холодного месяца в году, а также равной 0°С или -3°С. В случае температуры вышеуказанных значений климат
классифицируется как соответствующий холодным пустыням, а если температура выше указанных значений - как климат жарких пустынь [1, 2]. В условиях аридного климата важное прогностическое значение имеет системный анализ комплекса агрофизических, агротехнологических,
биоэкологических, гелиофизических,
геофизических, климатических параметров. Важное прогностическое значение имеют среднесезонные показатели температуры, количества осадков, интенсивности
испарения с почвенного покрова, количество теплых и солнечных дней в году, а также параметры солнечной и геомагнитной активности [1].
Продуктивность агрофитоценоза -многофакторный процесс и зависит от продуктивности каждого отдельного растительного организма. В связи с этим предложены два базовых направления исследований [3]:
- моделирование продуктивности растительных организмов с учетом особенностей системы «климат-почва-ризосфера-растение»;
- моделирование продуктивности агрофитоценоза как целостной искусственной экосистемы.
Для моделирования продуктивности агрофитоценозов в условиях аридного климата и космогеофизических флуктуаций используется сравнительно немного универсальных модельных комплексов ведущих школ моделирования, таких как DSSAT (Decision Support System for Agrotechnology Transfer, США), APSIM (Agricultural Production Systems SIMulator, Австралия). Подобные агрофизические математические и имитационные модели развития и продуктивности агрофитоценозов могут быть реализованы в виде компьютерных программ, которые позволяют учитывать агрофизические (физико-химические характеристики почв, мезо- и
микроклиматические особенности,
температурно-влажностные режимы
агрофитоценоза в различные сезоны года), агротехнологические (технологические
особенности обработки и возделывания посевных и пастбищных площадей, производственно-технологические ресурсы), биоэкологические (состав биоты и геоэкологические особенности
агрофитоценоза, включая флору и фауну, особенности водных и воздушных ресурсов, микроэлементный состав водных и почвенных ресурсов), гелиофизические (солнечная активность (показатели числа Вольфа, количество солнечных вспышек классов C, M и X., интенсивность радиоизлучения и потоков корпускулярного излучения), геофизические (географическая широта и долгота агрофитоценоза, глобальная и локальная геомагнитная обстановка, количество геомагнитных бурь различных классов - от G1 до G5), климатические (среднегодовые и
среднесезонные показатели температуры, количества осадков, интенсивности испарения с почвенного покрова, количество теплых и солнечных дней в году) факторы [1].
Проблема моделирования и
прогнозирования продуктивности
агрофитоценозов является одной из ключевых для развития цифровых агротехнологий и тесно связана с использованием новых информационных технологий агрегации и обработки больших потоков данных Big Data, а также алгоритмов «глубокого обучения» нейронных сетей (Deep Learning), которые могут обеспечить рациональное
использование средств агропромышленного комплекса.
Целью данной работы является математическое моделирование и
прогнозирование экспорта и импорта пшеницы в различных странах мира на
основе динамики космогеофизических показателей, включая параметры солнечной и геомагнитной активности, с помощью технологий Big Data.
Гипотеза работы основана на предположении о влиянии факторов солнечной активности на величину объемов экспорта и импорта пшеницы в различных странах мира. Материалы и методы
Собраны, систематизированы и проанализированы данные о динамике наблюдаемых показателей солнечной активности, включая три числа Вольфа W, Wn и Ws, а также количество солнечных вспышек классов С, M и X, а также показатели динамики геомагнитных бурь (ГМБ) на планете в период с 2001 по 2014 гг.
На основе результатов множественного корреляционного и регрессионного анализа были получены математические модели уравнений множественной линейной регрессии, характеризующие зависимость объемов экспорта или импорта пшеницы от вышеназванных гелиофизических и геофизических характеристик.
Для моделирования и прогнозирования влияния гелиофизических показателей солнечной активности на импорт и экспорт пшеницы были использованы методы сбора и статистической обработки вариационных рядов из международных баз данных, методы корреляционного и регрессионного анализа, а также графической визуализации данных с помощью MS Excel 2016 for Windows 10, а также статистического пакета SPSS Statistics. Результаты и обсуждение
Наблюдаемые погодные флуктуации коррелируют с динамикой гелиофизических показателей солнечной активности, которые также оказывают существенное влияние на состояние геомагнитного поля и магнитосферы Земли и, как следствие, на климатические флуктуации на нашей
планете. Широко известными маркерами гелиофизических процессов и солнечной активности вообще являются солнечные пятна, а 11 -летний солнечный цикл - самый известный квазипериодический феномен на Солнце и, возможно, в астрофизике вообще [4, 5].
Как свидетельствует анализ мировых статистических Web-ресурсов, в период с 2001 по 2014 год, объемы экспорта пшеницы в мире составили 2160,8 млн т. В этот же период основными странами-экспортерами пшеницы были США (387,5 млн т), Канада (251,9 млн т), Россия (166,0 млн т), Франция (238,6 млн т), Австралия (247,7 млн т), Германия (95,2 млн т), Украина (82,6 млн т), Казахстан (583,4 млн т ) и Аргентина (107,9 млн т). В этот же период важными импортерами этой агрокультуры являлись Италия (95,9 млн т), Алжир (84 млн т), Мозамбик (8,9 млн т), Бразилия (86,2 млн т), Япония (78,3 млн т) и Египет (73,3 млн т).
На основании результатов исследований в качестве критериев оценки космической погоды были избраны такие показатели солнечной активности, как суммарное число пятен на солнечном диске - число Вольфа показатели числа Вольфа северного ^п) и южного (Ws) полушария солнечного диска, а также солнечные вспышки классов C, M и X.
Необходимо отметить, что важным природным фактором, оказывающим влияние на урожайность агрокультур, является солнечная активность, которая может быть охарактеризована на основе показателей солнечных вспышек различных классов. Солнечная вспышка - взрывной процесс выделения кинетической, световой и тепловой энергии в различных слоях атмосферы Солнца. В частности, для солнечной вспышки класса С интенсивность энерговыделения в пике составляет от 1,0^10 6 до 10 5 Вт/м2, для вспышки класса М - от 10 5 до 10 4 Вт/м2 и для вспышки
класса X составляет от 10 7 до 10 6 Вт/м2. Энерговыделение мощной солнечной
25
вспышки может достигать 6*10 Джоулей, что составляет около 160 млрд мегатонн в тротиловом эквиваленте, что, для сравнения, составляет приблизительный объем мирового потребления электроэнергии за 1 миллион лет. В последние годы часто используют классификацию, основанную на однородных измерениях амплитуды теплового рентгеновского всплеска в диапазоне энергий 0,5-10 кэВ [4].
Другим важным фактором,
оказывающим существенное влияние на урожайность агрокультур и продуктивность агрофитоценозов, являются геомагнитные бури, которые рассматриваются как возмущения геомагнитного поля Земли длительностью от нескольких часов до нескольких суток, оцениваемые по шкале G-индекса [5].
Вероятно, компоненты ризосферного микробиома участвуют в опосредованной реализации влияния погодно-климатических и космофизических факторов на урожайность злаковых агрокультур. Микробиомы пшеницы в условиях аридного климата в различных исходных почвах и ризосферах значительно различаются. Причем важнейшими компонентами ризосферных микробиомов являются восприимчивые к изменениям
геомагнитного поля и погодно-климатических факторов виды и штаммы микроорганизмов, такие как Arthrobacter castelli, Arthrobacter chlorophenolicus, Bacillus atrophaeus, Bacillus muralis, Bacillus simplex, Bacillus simplex, Curtobacterium flaccumfaciens, Pseudomonas brassicacearum, Pseudomonas chlororaphis, Pseudomonas frederiksbergensis, Pseudomonas kilonensis, Sphingobacterium faecium, Stenotrophomonas rhizophila, Variovorax paradoxus [6].
На рисунках 1 и 2 представлены результаты моделирования зависимости
экспорта и импорта пшеницы от космофизических факторов, а также результаты линейной, степенной и экспоненциальной аппроксимации экспорта пшеницы в мире за период с 2010 по 2018 гг. и его прогнозные тренды на период до 2024 г. Рассмотрена текущая динамика и построены прогностические тренды экспорта
пшеницы пятью ведущими странами импортерами - Австралией, Канадой, Россией, США, Францией за тот же период.
На рисунках 3 и 4 представлены показатели импорта пшеницы шестью крупнейшими странами-импортерами этой агрокультуры в мире - Алжиром, Бразилией, Египтом, Италией, Мозамбиком и Японией.
Рис. 1. Экспорт пшеницы пятью ведущими странами-экспортерами с 2001 по 2014 гг. и его прогноз
до 2024 г.
Рис. 2. Линейная, степенная и экспоненциальная аппроксимация экспорта пшеницы в мире с 2001 по
2014 гг. и его прогноз до 2024 г.
Отмечена тенденция к увеличению экспортерами, такими как Австралия, объемов экспорта пшеницы странами- Канада, Россия, США и Франция.
Также показана тенденция к увеличению объемов импорта пшеницы традиционно ведущими странами-импортерами, таким как Алжир, Египет и Мозамбик. Из них Алжир и Египет, а также ряд других, менее значительных импортеров зерна, находятся в зоне жаркого аридного климата. Необходимо отметить то, что прогнозные тренды экспорта и импорта пшеницы характеризуются положительной
корреляцией с возрастанием возрастания частоты и интенсивности геомагнитных бурь на поверхности Земли в первой четверти XXI столетия.
Возможно, подобная ситуация обусловлена флуктуациями и периодическим ослаблением магнитного поля Земли и возрастанием ее уязвимости для потоков корпускулярного излучения Солнца [7].
Рис. 3. Импорт пшеницы шестью ведущими странами-импортерами с 2010 по 2018 гг. и его прогноз
до 2024 г.
Рис. 4. Линейная, степенная и экспоненциальная аппроксимация импорта пшеницы в мире с 2010 по
2018 гг. и его прогноз до 2024 г.
С помощью комплексного метода странами-экспортерами и странами-
корреляционно-регрессионного анализа импортерами в период с 2001 по 2014 гг. В
были получены 234 уравнения качестве примера ниже представлены
множественной линейной регрессии, наиболее простые и доступные для
описывающих процессы экспорта и импорта интерпретации регрессионные модели (1-5)
пшеницы, соответственно, основными экспорта пшеницы в мире.
[Весь мир]=-79,3W-71,4M-27,9X+6023,2ГМБ, R2=0,93, F=0,03; (1)
[США]= -26,4W-2,64M-58,8X+1284,5rMB, R2=0,87, F=0,078; (2)
[Канада]= -21,4W-15,6M-19,3X+904,3ГMБ, R2=0,97, F=0,039; (3)
[Россия]= -41,6W+3,4M-59,3X+474,7rMB, R2=0,734, F=0,215; (4)
[Австралия]=7,96W-9,65M-47,78X+796,2ГMБ, R2=0,97, F=0,03. (5)
Также были получены уравнения пшеницы в мире в период с 2001 по 2014
линейной регрессии (6-8) импорта гг.:
[Весь мир]=-74,1W-80,3M+167,8X+5430,6ГМБ, R2=0,92, F=0,04; (6)
[Бразилия]=4,2W-18,4M+121,4X+679,3ГМБ, R2=0,9, F=0,05; (7)
[Япония]= 7,96W-9,65M-47,78X+796,2ГМБ, R2=0,94, F=0,025; (8)
Необходимо отметить, что все полученные множественные регрессионные модели были исследованы на свойство мультиколлинеарности, автокорреляции остатков и гетероскедастичности. Для каждого уравнения линейной регрессии представлены показатели коэффициента детерминации R2 и F-критерия значимости Фишера, которые характеризуют качество регрессионной модели.
Практическая реализация
информационных технологий
прогнозирования и управления возможна на основе концепции модели распределённых вычислений, разработанной компанией Google для параллельных вычислительных операций над большими массивами данными, вплоть до нескольких петабайт.
Это необходимо для комплексного статистического анализа данных об урожайности агрофитоценозов и состоянии погодно-климатических, геофизических и космофизических факторов при управлении современных агропромышленным
производством [8]. Оперативное и стратегическое управление рисками снижения продуктивности агрофитоценозов на основе MOLAP (Multidimensional OLAP -MOLAP) и WOLAP-технологии (Web-based OLAP - OLAP ориентированный на Web), обеспечивающих высокую
производительность процедур
информационного анализа и
прогнозирования. Причем архитектура WOLAP-системы обеспечивает выполнение аналитических функций, включая
агрегирование и детализацию больших потоков слабоструктурированных данных из Интернет [9].
Моделирование, прогнозирование и управление урожайностью зерновых агрофитоценозов, динамики экспорта и импорта пшеницы, а также других злаковых культур является трансдисциплинарной проблемой и требует использования научных подходов, методов и инженерно-технологических решений в области Big Data и «глубокого обучения» искусственных нейронных сетей (ИНС). При этом особого внимания заслуживает мониторинг климатических, геофизических и
астрофизических флуктуаций показателей солнечной активности, включая динамику «числа Вольфа» (общее количество пятен на солнечном диске, а также их число в северной и южной областях солнечного диска в отдельности), параметров корпускулярного излучения Солнца -«солнечного ветра», его радиоизлучения, количества и мощности геомагнитных бурь и флуктуаций магнитосферы Земли [10].
Необходимо отметить, что исследуемая в настоящей работе гипотеза о влиянии солнечной активности на величину объемов экспорта и импорта пшеницы требует дальнейших углубленных исследований, основанных на использовании вариационных рядов данных по экспорту и импорту пшеницы в течение продолжительных периодов времени. Такие вариационные ряды могут составить основу обучающих выборок при создании ИНС-технологий для прогнозирования влияния
космогеофизических факторов на динамику экспорта-импорта пшеницы в различных странах и регионах мира. Выводы
1. Разработаны математические модели, представленные уравнениями
множественной линейной регрессии для динамики объемов экспорта и импорта пшеницы в мире на основе учета факторов солнечной и геомагнитной активности. Предложены регрессионные модели экспорта ведущими странами-экспортерами пшеницы (Австралия, Германия, Канада, Россия, США, Франция) и импорта пшеницы основными странами импортерами (Алжир, Бразилия, Египет, Италия, Мозамбик, Япония). Анализ уравнений моделей линейной регрессии указывает на наличие связей между суммарным числом Вольфа количеством солнечных вспышек класса X и интенсивностью геомагнитных бурь, с одной стороны, и объемами экспорта и импорта пшеницы, с другой стороны, в период с 2001 по 2014 гг.
2. Как свидетельствуют результаты прогнозирования, в период с 2020 по 2024 год, выполненные с помощью методов линеаризации и экспоненциального сглаживания вариационных рядов, существенно возрастут объемы экспорта пшеницы основными странами-производителями, а также импорта пшеницы основными странами-потребителями. Множественный корреляционный анализ свидетельствует о связи динамики экспорта и импорта пшеницы с космогеофизическими показателями, включая суммарное число Вольфа количество солнечных вспышек классов Ми X, частоты и интенсивности геомагнитных бурь.
3. Показано, что внутри 11 -летнего стандартного солнечного цикла между максимумами значимых солнечных вспышек проходит от 2 до 4 лет, тогда как для геомагнитных бурь этот период шире и составляет от 2 до 6 лет [7]. Отмечена коррелирующая с указанными интервалами периодичность колебаний объемов экспорта и импорта пшеницы для различных стран,
отличающихся географическим
расположением основных
сельскохозяйственных угодий. 4. Статистический анализ вероятностного распределения крупных солнечных вспышек классов С, М и X и геомагнитных бурь классов от 01 до 05 предоставляет возможности прогноза изменений объемов экспорта и импорта сельскохозяйственной продукции в том же временном интервале с
погрешностью до полугода. Методы предсказательного моделирования и прогнозирования совместно с ИНС, Big Data, MOLAP и WOLAP- технологиями составляют основу управления процессами экспорта-импорта пшеницы в различных странах в среднесрочной перспективе на период от 4 до 6 лет в условиях глобальных геоклиматических перестроек, в эпоху которых человечество вступило в XXI веке.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Давыдовский А.Г., Лихачевский Д.В. Моделирование продуктивности агрофитоценозов в условиях погодно-климатических флуктуаций как проблема Big Data // Сборник материалов V Международной научно-практической конференции «Big Data и анализ высокого уровня». В 2-х ч. Минск: БГУИР. Часть 1. 2019. С. 270-284.
2. Математические модели природных и антропогенных экосистем. Сборник статей, посвященный памяти Ратмира Александровича Полуэктова. СПб. : АФИ, 2014. 191 с.
3. Donn S., Kirkegaard J.A., Perera G., Richardson A.E., Watt M. Evolution of bacterial communities in the wheat crop rhizosphere // Environ. Microbiol. 2015. No. 3. 610-621.
4. Пономарёва О.В. Роль планет и планетных групп в активности Солнца // Геофизический мониторинг и проблемы сейсмической безопасности Дальнего Востока России. Труды региональной научно-технической конференции. Петропавловск-Камчатский: ГС РАН, 2008. Том 2. С. 212-216.
5. Ермолаев Ю.И., Ермолаев М.Ю. Солнечные и межпланетные источники геомагнитных бурь: аспекты космической погоды // Геофизические процессы и
биосфера. 2009. Т. 8, N 1. С. 5-35.
6. Тихонович И.А., Проворов Н.А. Симбиозы растений и микроорганизмов: молекулярная генетика агросистем будущего. СПб: Изд-во СПбГУ. 2009. 210 с.
7. Тихонов В.Е., Неверов А.А. Долгосрочное прогнозирование урожайности в степной зоне Урала на основе современных методов оценки солнечно-земных связей // Аридные экосистемы. 2014. Т. 20, N 4 (61). C. 86-92.
8. Трофимова М.С., Трофимов С.М. Обзор методов и методик системного анализа применительно к управлению качеством предприятия // Вестник ПНИПУ. Серия: Электротехника, информационные технологии, системы управления. 2015. - N 14 . С. 74-96.
9. Wrembel R., Koncilia С. Data Warehouses and OLAP: Concepts, Architectures, and Solutions. Hershey-London: IRM Press. 2007. 1-26.
10. Розанов Л.Л. Геоэкологические последствия погодно-климатической экстремальности // Вестник Московского государственного областного университета. Серия: Естественные науки. 2018. N 2. С. 11 -19.
REFERENCE
1. Davidovskii A.G., Likhachevskii D.V. Modelirovanie productivnosti agrotcenozov v usloviyakh pogodno-klimaticheskih fluctuatcii kak problema Big Data [Modelling of productivity of agrophytocenosis in the conditions of climatic fluctuations as a Big Data problem]. Proc. V Int. Sci. Prac. Conf. "Big Data and Advanced Analytics". Minsk: Belarusian State University of Informatics and Radioelectronics. 2019. Part 1. 270-284 (In Russian)
2. Matematicheskie modeli prirodnikh i antropogennikh ecosystem [Mathematical models of natural and anthropogenic ecosystems]. Sbornik statei, posviyaschennii pamiyati Ratmira Aleksandrovicha Poluektov [Collection of articles dedicated to memory of Ratmir Aleksandrovich Poluektov]. Saint Petersburg:Agrophysical Research Institute. 2014. 191 (In Russian)
3. Donn S., Kirkegaard J.A., Perera G., Richardson A.E., Watt M. Evolution of bacterial communities in the wheat crop rhizosphere // Environ. Microbiol. 2015. No. 3. 610-621.
4. Ponomareva O.V. Rol' planet i planetnykh grupp v aktivnosti Solntsa [The role of planets and planetary groups in the activity of the Sun]. Geofizicheskii monitoring i problemy seismicheskoi bezopasnosti Dal'nego Vostoka Rossii [Geophysical monitoring and problems of seismic safety of the Russian Far East]. Proc. Reg. Sci. Prac. Conf. Petropavlovsk-Kamchatskii: GS RAN. 2008. Vol 2. 212-216 (In Russian)
5. Ermolaev Yu.I., Ermolaev M.Yu. Solnechnie I meszhplanetnie istochniki geomagnitnikh bur: aspekti kosmitcheskoi pogodi [Solar and interplanetary sources of geomagnetic storms:
space weather aspects]. Geofizicheslie procesi I biosfera. 2009. vol. 8. No. 1. 5-35 (In Russian)
6. Tikhonovich I.A., Provorov N.A. Simbiozi rastenii i microogranizmov: molekuliarnaia genetika agrosistem buduschego [Symbiosis of plants and microorganisms: molecular genetics of future agrosystems]. Saint Petersburg: Saint Petersburg State University Publ. 2009. 210. (In Russian)
7. Tikhonov V.E., Neverov A.A. Dolgosrochnoe prognozirovanie urozhainosti v stepnoi zone Urala na osnove sovremennikh metodov otcenki solnechno-zemnikh sviazei [Long-term crop yield forecasting in the Urals steppe zone using modern methods for the estimation of solar-terrestrial relations]. Aridnye ecosistemi. 2014. vol. 20. No. 4 (61). 86-92. (In Russian)
8. Trofimova M.S., Trofimov S.M. Obzor metodov i metodik sistemnogo analiza primenitelno k upravleniu kachestvom predpriiatiia [The review of methods and techniques of the systems analysis in relation to management quality of the enterprise]. Vestnick PNIPU. Seriia : Elektrotekhnika, informatcionnie tekhnologii, sistemi upravleniia. 2015. No. 14 74-96. (In Russian)
9. Wrembel R., Koncilia C. Data Warehouses and OLAP: Concepts, Architectures, and Solutions. Hershey-London: IRM Press. 2007. 1-26.
10. Rozanov L.L. Geoekologicheskie posledstviia pogodno-klimaticheskoi ekstremalnosti [Geoecological consequences of weather and climate extremity]. Vestnik Moskovskogo gosudarstvennogo oblastnogo universiteta. Seriia: Estestvennie nauki. 2018. No. 2. 11-19. (In Russian)
