CC BY
17
области можно использовать в селекционных программах Приморского НИИСХ, Дальневосточного НИИСХ, Даль ГАУ и других селекцентрах России.
Литература
1. Левитин М.М. и др. О видовом и внутривидовом разнообразии грибов рода Fusarium на зерновых культурах//Современные проблемы микологии, альгологии и фитопатологии. - М.,1998. - С. 64-66.
2. Иващенко В.Г., Назаровская Л. А. Источники инфекции фузариоза колоса зерновых культур в Краснодарском крае// Защита и карантин растений. - 1998. - №11. - С.30-31.
3. Gocho Н. Wheat breeding for scab resistance. Wheat I.S. N.60. 1985. P.41.
4. Лебедева T.B., Тырышкин Л.Г. др. Яровая мягкая пшеница. Характеристика образцов новейших поступлений ВИР по устойчивости к листовой ржавчине, темно-бурой листовой пятнистости, септориозу, мучнистой росе и фузариозу колоса: Каталог мировой коллекции ВИР. - Вып. 795. - СПб, 2009. -20"с.
5. Гагкаева Т.Ю., Ковалева М.М. Фузариоз колоса. Изучение генетических ресурсов зерновых культур по устойчивости к вредным организмам. - М.: РАСХН, 2008. - С.151-184.
УДК 631.58:551.5 Доктор биол наук М.В. АРХИПОВ
(ФГЪНУ АФИ, sznmc(a).spb. lanck.net) Соискатель науч. степени Р.Н. ЕРМАКОВ (ФГЪНУ АФИ, ronuill 51925íS>mail.ra)
ОЦЕНКА РИСКОВ СНИЖЕНИЯ ПОЛЕВОЙ ВСХОЖЕСТИ ПРИ ПОСЕВЕ ЗЕРНОВЫХ КУЛЬТУР С УЧЕТОМ СТЕПЕНИ КОНДИЦИОННОСТИ СЕМЕННОГО МАТЕРИАЛА НА ОСНОВЕ МОДЕЛЕЙ НЕЧЕТКОЙ ЛОГИКИ
Условия для проведения сева, нечеткие множества, степень кондиционности семенного материала
Условия проведения сева сельскохозяйственных культур оказывают существенное влияние на величину и качество получаемого урожая как на весь технологический процесс, так и на отдельные агроприёмы. Немаловажная роль в этом технологическом процессе отводится оценке рисков проведения сева на основе качественных и сортовых показателей семян.
В настоящее время доля некондиционных семян в РФ в разные годы варьирует от 20 до 30 %, а в отдельных регионах доходит до 35-60 %.
Известные подходы к оценке рисков проведения сева на основе качественных и сортовых показателей семян используют, как правило, детерминированные или вероятностные модели с заданными законами распределения случайных величин. В то же время для процессов на сельскохозяйственном поле характерна неопределенность, при этом закон распределения входных или выходных случайных величин практически никогда неизвестен.
Принятие решения в сложных производственно-хозяйственных системах семеноводства связано с анализом и переработкой большого объема разнородной, неполной и противоречивой информации, обладающей свойством существенной неопределенности в силу самой специфики приобретения данных. В этой связи разработка нечетких моделей и компьютерных программ для решения такого рода задач представляется весьма своевременной и актуальной.
В настоящее время разработаны несколько способов расчета нормы высева, однако применяемые в сельскохозяйственном производстве способы определения норм высева характеризуются невысокой точностью. Это обусловлено тем, что целый ряд вопросов, связанных с разной степенью неоднородности семенного материала, не позволяет рассчитать корректно требуемую норму высева, а это, в свою очередь, приводит к тому, что агроном завышает реальную норму высева по сравнению с расчетной на 10-30%.
Полагаем, что разработка и применение нечетких экспертных систем будет мощным инструментом для решения широкого круга практических задач сельского хозяйства, связанных с посевом, уборкой, сушкой, послеуборочной подработкой и хранением зерна различного целевого назначения (семенного, фуражного, продовольственного).
Анализ имеющихся в отечественной и мировой литературе по семеноведению материалов по прогнозу полевой всхожести [1,2,4,5,7] показал, что только комплексная оценка качества партий
семян с учетом их физиологического, микробиологического и фитосанитарного статуса способна дать достоверный прогноз полевой всхожести.
Это свидетельствует о том, что для оценивания рисков, связанных с технологическими операциями в процессе сева, требуется использовать специальные математические приемы, основанные на экспертных оценках показателей качества семян, влияющие на их полевую всхожесть.
Данная статья посвящена многомодельной методике оценивания рисков снижения полевой всхожести при посеве яровых зерновых культур с учетом степени кондиционности семенного материала на основе моделей нечеткой логики.
На основе обзора научно-технической литературы по данному направлению исследований нами были выбраны перспективные методы для применения в сельскохозяйственном производстве по снижению рисков при проведении сева. При этом из числа потенциально возможных были выбраны методы многоатрибутивной сравнительной оценки по схеме Ли - Ванга, построения логико-лингвистических моделей (A.B. Дроздов и A.B. Спесивцев [3]) и двумерной проекции многомерных кластеров (А. Пегат [6]).
Многоатрибутивное моделирование представляет одну из ветвей многокритериального моделирования. Оно отличается от многокритериального моделирования тем, что в качестве критериев используются атрибуты. Имеется большое количество научных публикаций по применению многоатрибутивного моделирования для решения сельскохозяйственных задач. Так в работе (Jones и Barnes, 2000) [9] представлена теория многоатрибутивного принятия решений на основе нечеткого композиционного программирования. Этот подход позволяет пользователям выразить отдельные или корпоративные ценности и предпочтения; степень неточности, связанную с каждым источником информации, и находить компромисс между различными альтернативами. В другой работе (Bohanec и др., 2007) [8] описывается многоатрибутивная модель для оценки влияния системы земледелия на качество почвы. Многоатрибутивная модель для оценки устойчивости систем земледелия представлена в работе (Sadok и др., 2009)[11].
Из обзора нечетких мультиатрибутивных методов принятия решений следует, что для достижения поставленной задачи наиболее подходит метод средневзвешенных минимальных отклонений по схеме Ли - Ванга [10,12].
В последнее время приобретают актуальность методы принятия решений в условиях неопределенности, основанные на нечеткой логике. Применение их представляется целесообразным во многих областях сельскохозяйственного производства.
Также перспективными представляются метод двумерной проекции многомерных кластеров и алгоритм построения логико-лингвистической модели на экспертных знаниях.
Выбранные методы легли в основу разработанных нами алгоритмов применительно к решению задачи оценивания рисков снижения полевой всхожести яровых зерновых культур с учетом степени разнокачественности семенного материала для создания соответствующих компьютерных программ.
В основу алгоритма многоатрибутивного анализа положены работы Ли и Ванга в следующей формулировке задачи: имеется набор альтернатив X = {\/. х2. . , хп}, альтернатива характеризуется набором показателей (атрибутов), по совокупности которых должна быть выбрана оптимальная альтернатива.
Резюмируя можно сказать, что многомодельная методика снижения рисков при проведении сева на основе оценки качественных показателей семян яровых зерновых культур с использованием моделей нечеткой логики выполнена в виде трех программ, реализующих независимые алгоритмы принятия решений. При рассмотрении одной и той же задачи тремя независимыми методами, во-первых, представляется возможным оценить изучаемое явление с различных сторон, и, во-вторых, при получении сходных результатов повысить надежность принимаемого решения по конкретно рассматриваемому решению.
Исходя из опроса экспертов, на вход моделей, построенных с помощью выбранных алгоритмов, подается набор лингвистических переменных (табл. 1).
Уровень рисков при проведении сева является единственной выходной лингвистической переменной.
Таблица 1. Характеристика лингвистических входных переменных
Входные переменные Обозначение
Чистота семян (сортовая), %; ЧС1
Чистота семян (сорняки), шт./кг; ЧС2
Масса 1000 семян, г. МТС
Показатель внешней и внутренней травмированности, % ПВВТ
Микробном семени, % мс
Всхожесть семян, % ВС
Так при решении задачи классификации условий для проведения сева яровых зерновых культур на основе качественных и сортовых показателей семян с целью выявления различного уровня рисков на данном этапе сельскохозяйственного процесса всеми предлагаемыми методами получены результаты, показанные в табл. 2.
Таблица 2. Результаты анализа условий для проведения сева с использованием ПО
№ п/п Входные переменные Результаты расчета в лингвистической форме
МТС ЧС1 ЧС2 ВС ПВВТ МС Уровень риска рассчитывался программой «Ассистент агронома» Уровень риска согласно логико-лингвистической модели Уровень риска согласно многоатрибутивному анализу
1 45 96 50 92 34 30 выше среднего выше среднего выше среднего
2 20 99 50 82 20 30 высокий высокий средний
3 20 96 50 87 20 30 выше сред,-высокий высокий высокий
4 45 96 50 82 34 18 высокий выше сред.-высокий высокий
5 20 96 5 82 34 18 высокий высокий высокий
6 20 96 50 87 34 18 высокий высокий высокий
7 20 96 50 82 20 18 высокий выше сред.-высокий высокий
8 20 96 5 82 20 18 выше среднего выше среднего высокий
9 45 96 50 92 20 18 средний средний средний
10 35.8 96.4 46 83 37.2 19.4 высокий высокий высокий
11 33.8 97.4 28 86 30.1 27.4 высокий выше среднего средний-выше сред.
12 38.8 95.95 51 87 34.6 14.2 средний выше среднего выше среднего
13 41.2 95.6 54 91 20.1 10.2 выше среднего средний выше среднего
14 39 96.8 31 90 22.2 11.7 средний ниже сред.-средний средний
15 25 96.3 39 91 21 9.5 средний средний средний
16 41 96.45 44 92 19.5 19 средний средний средний
17 29 96.4 44 87 19 13.5 средний средний выше среднего
18 45 99 15 93 5 14 низкий низкий низкий
19 45 99 4 89 10 14 низкий низкий низкий
20 45 99 30 93 5 14 низкий низкий низкий
21 55 99.7 3 80 2 13 выше среднего низкий ниже среднего
22 36.2 99.4 4 92 19.4 12.4 ниже среднего низкий - ниже среднего низкий
23 55 95 70 80 40 33 высокий высокий высокий
24 11.5 96.8 32 82 31 29 очень высокий высокий - очень выс. высокий высокий
Как показывает анализ, приведенный в табл. 2, результаты вычислений по трем алгоритмам с помощью разработанных программам, включенных в разработанную методику, показывают сходные результаты классификаций, на основании которых можно сделать вывод об их равноточности.
Таким образом, предложена новая многомодельная методика оценивания рисков снижения полевой всхожести при посеве яровых зерновых культур с учетом степени кондиционности семенного материала, основанная на нечеткологическом подходе принятия решений. Эта методика основывается на нахождении комплексной оценки оптимальных условий проведения сева яровых зерновых культур с учетом качественных и сортовых показателей семян. На основе полученного комплексного показателя можно, например, оценить степень риска при проведении сева яровых зерновых культур. Если риск высокий, то это означает, что жизненный потенциал семян весьма
невысокий, то есть, они имеют низкие показатели силы роста и энергии прорастания. В то же время семена яровых зерновых культур с низким уровнем риска имеют высокие показатели силы роста и энергии прорастания. Такие семена, как правило, могут выживать и давать полноценные ростки в менее комфортных условиях, чем среднестатистические.
Это означает, что для успешного выполнения данного агроприема семенам с низким жизненным потенциалом необходимым весьма комфортные внешние погодно-почвенные условия и, следовательно, очень серьезного отношения требует прогноз сроков проведения сева.
Литература
1. Батыгин Н.Ф. Онтогенез высших растений. - М.: Агропромиздат, 1986. 102 с.
2. Бурнатова Л.Б. Прогнозирование и сравнительный анализ способов расчета нормы высева при моделировании урожайности яровой пшеницы: Дис... канд. с. - х. наук - Курган, 2007. - 167 с.
3. Дроздов А.В., Спесивцев А.В. Формализация экспертной информации при логико-лингвистическом описании сложных систем // Техническая кибернетика. - 1994,- № 2. - С. 89-96.
4. Макрушин Н.М. Экологические основы промышленного семеноводства зерновых культур. - М.: Агропромиздат, 1985. - 280 с.
5. Малько А.М. Система сертификации семян сельскохозяйственных растений как условие развития селекции и семеноводства на современном этапе: Автореф. дис. доктора с. - х. наук. - М., 2005. - 50 с.
6. Пегат А. Нечеткое моделирование и управление / Пер. с англ. - М.: БИНОМ. (Лаборатория знаний), 2009. - 798 е.: ил. - (Адаптивные и интеллектуальные системы).
7. Строна И.Г. Общее семеноведение полевых культур. - М., 1966.
8. Во han ее, М., Cortet, J., Griffiths, В., Znidarsic, М., Debeljak, М., Caul, S., Thompson, J., Krogh, P.H.: A
qualitative multi-attribute model for assessing the impact of cropping systems on soil quality. Pedobiologia 51(3), 239-250, 2007.
9. Jones D. and E. M. Barnes (2000) Fuzzy composite programming to combine remote sensing and crop models for decision support in precision crop management Agricultural Systems 65(3): 137-158.
10. Li D.F. 1999, Fuzzy multiattribute decision-making models and methods with incomplete preference information. Fuzzy Sets and Systems 106, 113-119.
11. Sadok, W., F. Angevin, J.-E. Bergez, C. Bockstaller, B. Colomb, L. Guiehard, R. Reau, A. Messéan, and T. Doré. 2009. MASC, a qualitative multi-attribute decision model for ex ante assessment of the sustainability of cropping systems. Agronomy for Sustainable Development, 29: 447-462.
12. Wang Y.: On fuzzy multiattribute decision-making models and methods with incomplete preference information. Fuzzy Sets and System 151, 285-301 (2005).
УДК 635.21, 633.491 Канд. с.-х. наук А.Н. КОНОНЕНКО
(СПбГАУ, кап1910(й!уandex.ru) Соискатель Ю.Н. ЛОГИНОВА (СПбГАУ, lyníS>spbgall.ra) Соискатель О.Ф. ИВАХНОВА (СПбГАУ)
ЭФФЕКТИВНОСТЬ ПРИМЕНЕНИЯ МИКРОБИОЛОГИЧЕСКИХ ПРЕПАРАТОВ ГРУППЫ ЭКСТРАСОЛ НА ОРИГИНАЛЬНОМ СЕМЕННОМ КАРТОФЕЛЕ ПРИ ПОЛУЧЕНИИ
МИНИ-КЛУБНЕЙ
Семенной картофель, мини-клубни картофеля, микроклональное размножение картофеля
За последние годы в Российской Федерации многими хозяйствами выращивается большое количество сортов различного назначения как отечественной, так и зарубежной селекции. Для улучшения и создания сортов картофеля в настоящее время используются различные биотехнологические методы, которые при разумном применении и внедрении способны значительно повысить эффективность селекционного процесса. Поэтому внедрение в производство сортов картофеля с повышенной устойчивостью к болезням и высоким коэффициентом размножения является экономически выгодным.
