CC BY
33ПОДГОТОВКА РЕТРОСПЕКТИВНЫХ ДАННЫХ ДЛЯ НЕЙРОСЕТЕВОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПРОГРАММИРУЕМЫМ АГРАРНЫМ ПРОИЗВОДСТВОМ В ЗАСУШЛИВЫХ УСЛОВИЯХ ВОЛГОГРАДСКОЙ ОБЛАСТИ
PREPARATION OF RETROSPECTIVE DATA FOR A NEURAL NETWORK MANAGEMENT SYSTEM FOR PROGRAMMED AGRICULTURAL PRODUCTION IN ARID CONDITIONS OF THE
Мелихова Елена Валентиновна, кандидат технических наук, доцент, доцент кафедры математического моделирования и информатики, Волгоградский государственный аграрный университет, (400002, г. Волгоград, пр-т Университетский, 26), ORCID: 0000-0002-4041-4270, mel-v07@ mail.ru Рогачев Алексей Фруминович, доктор технических наук, профессор, заведующий кафедрой, Волгоградский государственный аграрный университет, Всероссийский НИИ орошаемого земледелия, (400002, г. Волгоград, пр-т Университетский, 26), ORCID: 0000-0002-3077-6622, rafr@mail.ru
Elena V. Melikhova, candidate of technical Sciences, associate Professor, associate Professor of the Department of mathematical modeling and Informatics, Volgograd state agrarian University, (Universitetskiy Ave., 26, Volgograd, 400002, Russia), ORCID: http://orcid.org/ 0000-0002-4041-4270, mel-v07@ mail.ru; Alexey F. Rogachev, doctor of technical Sciences, Professor, head of the Department, Volgograd state agrarian University, all-Russian research Institute of irrigated agriculture, (Universitetskiy Ave., 26, Volgograd, 400002, Russia), ORCID: http://orcid.org/ 0000-0002-3077-6622,, rafr@mail.ru
Аннотация
В статье рассматриваются методические и прикладные вопросы разработки базы данных (БД), содержащей информацию для нейросетевой системы
VOLGOGRAD REGION
УДК 311.2
DOI:10.24411/2588-0209-2020-10162
управления программируемым аграрным производством на примере многолетних ретроспективных данных урожайности сельскохозяйственных культур в засушливых условиях. Продуктивность сельскохозяйственных культур определяется совокупностью различных групп эндогенных и экзогенных факторов, учитывающих региональные погодные и климатические условия, физико-механические и агрохимические характеристики почв и особенности агроприемов и технологий, включая мелиоративные данные, которые должны накапливаться и храниться в разрабатываемой БД. Для засушливых условий Нижнего Поволжья, включая Волгоградскую область, важным специфическим фактором вариации урожаев является воздействие неблагоприятных природных явлений (засух, суховеев, заморозков и др.). Разработка системы управления аграрным производством на основе искусственной нейронной сети (ИНС) требует создания специализированных БД, структура которых определяется решаемыми задачами аграрного производства, включая оросительные мелиорации, необходимые для возделывания культур в засушливых условиях Нижнего Поволжья. Обоснование структуры и подготовка ретроспективных данных для создания и обучения ИНС, ориентированных на управление программируемым аграрным производством, является важной научно-методологической и прикладной задачей. В соответствии с этим, разрабатываемая БД для нейросетевого управления сельскохозяйственным производством на основе многолетних ретроспективных данных, должна включать информационные блоки, различающихся по видам и темпоральным характеристикам накапливаемой информации. База данных может предварительно формироваться в универсальном формате MS Excel с последующей конвертации в csv-формат для углубленной статистической обработки с использованием математических библиотек Numpy и Matplotlib среды Python, в которой строятся программные прототипы разрабатываемой ИНС.
Abstract. The article deals with methodological and applied issues of developing a database containing information for a neural network management system for programmed agricultural production on the example of long-term retrospective data on crop yields in arid conditions. Crop productivity is determined by a combination of various groups of endogenous and exogenous factors that take into account regional weather and climate conditions, physical, mechanical and agrochemical characteristics of soils and features of agricultural practices and technologies, including reclamation data that should be accumulated and stored in the database being developed. For the arid conditions of the Lower Volga region, including the
Volgograd region, an important specific factor of crop variation is the impact of adverse natural phenomena (droughts, dry spells, frosts, etc.). The development of an agricultural production management system based on an artificial neural network (ins) requires the creation of specialized databases, the structure of which is determined by the tasks of agricultural production, including irrigation reclamation, necessary for the cultivation of crops in the arid conditions of the Lower Volga region. Justification of the structure and preparation of retrospective data for the creation and training of ins focused on the management of programmable agricultural production is an important scientific, methodological and applied task. In accordance with this, the database being developed for neural network management of agricultural production based on long-term retrospective data should include information blocks that differ in types and temporal characteristics of the accumulated information. The database can be pre-formed in the universal MS Excel format with subsequent conversion to csv format for in-depth statistical processing using the Numpy and Matplotlib mathematical libraries of the Python environment, where software prototypes of the developed ins are built.
Keywords: agricultural production, crops, management system, long-term retrospective data, artificial neural network, dry conditions.
Ключевые слова: аграрное производство, сельскохозяйственные культуры, система управления, многолетние ретроспективные данные, искусственная нейронная сеть, засушливые условия.
Работа выполнена при финансовой поддержке РФФИ и Администрации Волгоградской области по проекту № 19-416-340014 «Создание нейросетевой системы управления программируемым аграрным производством с использованием ретроспективных данных и результатов дистанционного зондирования для засушливых условиях Волгоградской области».
Введение. Разрабатываемые информационные технологии (ИТ) возделывания сельскохозяйственных культур базируются на математических моделях управляемых технологических процессов. Важным является построение таких моделей, в том числе нейросетевых, основанных на выявленных закономерностях протекания агробиологических процессов развития сельскохозяйственных культур, учитываемых с помощью числовых ИТ. Продуктивность сельскохозяйственных культур определяется рядом эндогенных и экзогенных факторов, предъявляющих требования к погодным и климатическим условиям, физико-механическим и агрохимическим свойствам почв [3]. В засушливых условиях Нижнего Поволжья значимым фактором является воздействие
неблагоприятных природных явлений (засух, суховеев, заморозков и др.). Знание этих природных условий необходимо для оптимизации набора и параметров агротехнических мероприятий по возделыванию сельскохозяйственных культур. Это возможно с использованием автоматизированных систем управления аграрным производством на основе искусственного интеллекта, реализуемого с помощью искусственных нейронных сетей (ИНС). Разработка ИНС требует создания специализированных баз данных (БД), структура которых определяется решаемыми задачами управления аграрным производством, включая оросительные мелиорации, необходимые для возделывания культур в засушливых условиях Нижнего Поволжья [1, 8, 11, 12]. Поэтому обоснование структуры и подготовка ретроспективных данных для создания и обучения ИНС, ориентированных на управление программируемым аграрным производством, является важной научно-методологической и прикладной задачей.
Методы и материалы Учет природно-климатических условий по зонам региона Волгоградской области определялся на основе справочной информации (Агроклиматический справочник по Волгоградской области. - Л.: Гидрометеоиздат, 1967. - 143 с.). Ретроспективные статистические данные годовых уровней урожайности, на примере зерновых культур формировались по данным Федеральной службы государственной статистики по Волгоградской области (Волгоградстат) [6, 12, 13]. Многолетние климатические показатели за период 1988-2015 гг.: суммарные значения по месяцам температуры, осадков, средней влажности воздуха и другие, учитывались по данным метеорологической станции Волгоградского ГАУ (Свидетельство о государственной регистрации базы данных № 2017620719 от 04.07.2017 «Параметры для расчета режимов орошения сельскохозяйственных культур с учетом тепловлагообеспеченности региона» / Гагарин А.Г., Рогачев А.Ф., Мелихова Е.В. Заявка №2017620443 11.05.2017). Предварительно данные формировались в универсальном формате MS Excel с последующей конвертации в csv-формат для углубленной статистической обработки математическими библиотеками Numpy и Matplotlib среды Python, в которой строились ИНС [8].
Результаты и обсуждения.
Значительная часть территории Нижнего Поволжья расположена в степной и сухостепной природно-климатической зоне, характеризующейся сухим и жарким летом c температурой воздуха, достигающей 420С, а на почве - в пределах 600С [9]. Почвенный состав региона исследований характеризуется значительным разнообразием: серо-, светло, темно-каштановыми, светло - бурыми, солонцеватыми и другими почвами (Рис.1) различного механического состава, что необходимо учитывать в формируемой БД.
Для природно-климатической зоны Нижнего Поволжья, включая Волгоградскую область, наиболее распространенными являются светло-каштановые среднесуглинистые почвы. Поэтому в данных условиях для снижения негативного влияния погодных экстерналий и обеспечения устойчивых урожаев играют сельскохозяйственные мелиорации и прежде всего оросительные.
В условиях Юга России возможны суховеи со скоростью 5 м/с и более при температуре свыше 25°С и относительной влажности менее 30%. В зависимости от их интенсивности сочетания неблагоприятных погодных факторов, суховеи могут подразделяться на типы (по классификации Цубербиллера Е.А.), представленные в таблице
1. Для Прикаспийского региона продолжительность суховеев может составлять более 40 дней, для Заволжского - 30 - 40 дней, для Приволжского - 25 - 30 дней (Справочник агронома-полевода засушливого Поволжья Под ред. проф. А.С. Смирнова.-Саратов: Приволж. кн. изд., 1964.- 707 с.).
Рисунок 1 - Карта характерных почв Нижнего Поволжья
Проведённый рядом исследователей анализ физиологических потребностей основных культур в Нижнем Поволжье выявил диапазон оптимальных температур в интервале 20...25°С [9].
Таблица 1 - Агрометеорологические показатели суховеев
Суховеи Испаряемость, Дефицит насыщения водяного пара (ГПа)
мм/сутки в будке при скорости ветра
< 10 м/с > 10 м/с
Слабые 3 - 5 20-32 13 - 27
Средней интенсивности 5-6 33-39 28 - 32
Интенсивные 6-8 40-52 33 - 45
Очень интенсивные >8 53 46
При превышении этих температур возникают критические условия развития растений, требующие проведения дополнительных мер по регулированию фитоклимата (табл.2).
Таблица 2 - Диапазон оптимальных температур с учётом биологических особенностей изучаемых культур
Культура Температура воздуха Критическая фаза
оптимальная критическая
Пшеница 18 - 25 > 30 выход в трубку, колошение
Кукуруза 25 - 30 > 30 5-6 листьев, молочная спелость
Люцерна 23-25 > 30 ветвление, плодообразование
Картофель 18 - 22 > 25 бутонизация, цветение
Согласно данным метеостанции г. Волгограда, превышение температуры, принимаемой в качестве оптимальной и равной 24°С, наблюдалось в год средний обеспеченности (Р = 50%) составило 39% дней, в засушливый год (Р = 90%) - 60% дней. В Астраханской области и Республике Калмыкия эти показатели отмечались соответственно 31 ... 37% и 58 ... 61% дней. Практически во все годы исследований отмечались дни, когда температура воздуха превышала 30°С.
Метеорологические данные за 27 лет (рис.2-4) подтверждают необходимость применения оросительных мелиораций для получения гарантированных урожаев в засушливых условиях Нижнего Поволжья, включая Волгоградскую область. При этом, исходя из продолжительности критического гидротермического периода, информация базы данных позволяет дополнительно оценивать значения оросительных норм возделываемых культур, а проектируемый режим орошения - продолжительность периодов превышения биологически оптимальных температур для каждой из культур.
Рисунок 2 - Сумма ежегодных температур по месяцам вегетационного периода с 15 апреля по 31 сентября
Диаграмма на рисунке 2 получена путем предварительной обработки таблиц значений температур за вегетационный период, сохраняемых в общей БД. Анализ многолетних значений температур за период апрель-сентябрь показали, что наименьшие суммарные значения во второй половине апреля принимали 1150С, максимальное - 2800С. Наиболее жаркими месяцами являются июль-август, когда суммарные температуры меняются в пределах 600- 8800С.
International agricultural journal 2/2020
25.0
ЮСТ|ОтНГЧПП^Г1Л10Г>СОСХ|От-НГ>1ПП^Г1ЛЮГ^СО(Т*ОгНГ>1т^Г1Л MMC71CJ1OTaii71OTaiaii71CnOOOOOOOOOOT-lT-lT-lT-lT-lT-1
OTaicnmmai(T*OTaiai(T*c7ioooooooooooooooo
тЧ*Ч*ЧтЧтЧ*ЧтНтЧ*Ч*ЧтНтЧГЧ<Ч<ЧГ>|ГЧС^Р>|Г>|(Ч<ЧГ>|ГЧГ^Р.|Г>|Г^
-15/04-30/04 -01/05-31/05 -01/06-30/06 - 01/07-31/07 --01/08-30/08 -01/09-31/09
Рисунок 3 - Ежегодное среднее значение влажности за вегетационный период с 15 апреля по 31 сентября
В эти периоды необходимо применять технологии регулирования фитоклимата растений различными способами, например мелкодисперсным дождеванием [3], особенно в периоды с низкими значениями влажности воздуха (рис.3) и малым количеством атмосферных осадков (рис.4)
Недостаточную влагообеспеченность растений необходимо компенсировать орошением, режимы которого выбираются согласно складывающимся гидрометеорологическим условиям текущего года [Ошибка! Источник ссылки не найден.].
Несмотря на многочисленные исследования и рекомендаций по выбору оросительных мероприятий, остаются недостаточно изучены прикладные проблемы выбора ресурсосберегающих режимов и параметров различных способов орошения (капельного, мелкодисперсного дождевания, комбинированного) сельскохозяйственных культур, возделываемых в засушливой зоне Нижнего Поволжья.
International agricultural journal 2/2020
Total rainfall, mm
120.00 100.00 80.00 60.00 40.00 20.00 0.00
> > > > > > > > > > > > > > > > > > > > > > > > > > > > с5отост1отслсг1а^сг1ст1ст1сг1слоооооооао0тнтнянтнянтн
ijiffiaioiCTi(TiOi(TiffiaiiTicnooooaooooooaoooo
vHvH^HvHvH^HvH^HvH^HvH^HfNiNfNiNfNfNfNfNiNfNfNfNfNiNfNfN
15/01 -30/04 — — —01/05-31/05 01/06-30/06 — 01/07-31/07 — • 01/08-30/08 ..... 01/09-31/09
Рисунок 4 - Сумма ежегодных осадков по месяцам в вегетационный период
В связи с этим совершенствование методов оптимизации параметров орошения сельскохозяйственных культур на основе моделирования процессов влагопереноса остается актуальной проблемой.
Область применения результатов.
Совокупность обобщенных природно-климатических показателей, определяющих плодородие и продуктивность сельскохозяйственных земель в остро засушливых условиях нижнего Поволжья, в частности Волгоградской области, представлены в таблице 3. Эти показатели, наряду с ретроспективными, также должны учитываться при проектировании БД для анализа с использованием ИНС.
Таблица 3 - Биоклиматическая продуктивность почв и урожайность по природным
зонам
Природная зона/почва Коэффициент Урожайность с.-х. культуры, т/га
биоклиматической Озимая Яровая Ячмень кукуруза
продуктивности пшеница пшеница
Степная, черноземные почвы 1.24 4.21 2.17 2.57 4.0
Сухостепная, тёмно-каштановые 1.08 3.60 1.65 2.20 3.50
Сухостепная, каштановые почвы 1.03 3.11 1.45 2.11 3.00
Правобережье
Сухостепная, каштановые почвы Левобережье 0.93 2.53 1.40 2.01 -
Полупустынные, светло-каштановые почвы 0.90 2.30 - 1.31 -
При проектировании ИНС возможно использование разных входов для информации, различающейся темпоральными характеристиками [11]. Таким образом, структура создаваемой БД для использования нейросетевых технологий в аграрном производстве должна учитывать несколько информационных блоков, различающихся по видам и темпоральным характеристикам хранимых данных.
Выводы
Проведенные исследования, ориентированные на применение нейросетевых технологий в управлении и оптимизации аграрного производства на основе ИТ, позволили сформулировать следующие выводы.
Продуктивность сельскохозяйственных культур определяется совокупностью различных групп эндогенных и экзогенных факторов, учитывающих региональные погодные и климатические условия, физико-механические и агрохимические характеристики почв и особенности применяемых агроприемов и технологий, которые должны храниться в разрабатываемой БД.
Для засушливых условий Нижнего Поволжья, включая Волгоградскую область, важным негативным фактором вариации урожаев является воздействие неблагоприятных природных явлений (засух, суховеев, заморозков и др.). В соответствии с этим, разрабатываемая БД для нейросетевого управления сельскохозяйственным производством на основе многолетних ретроспективных данных, должна включать информационные блоки, различающихся по видам и темпоральным характеристикам накапливаемой информации.
База данных может предварительно формироваться в универсальном формате MS Excel с последующей конвертации в csv-формат для углубленной статистической обработки с использованием математических библиотек Numpy и Matplotlib среды Python, в которой строятся программные прототипы разрабатываемой ИНС.
Литература
1. Гагарин А.Г., Рогачев А.Ф. Применение искусственных нейронных сетей для прогнозирования урожайности на основе анализа кросс-региональных данных // Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2018. № 2. С. 339-346.
2. Заводчиков Н. Д., Спешилова Н. В., Таспаев С. С. Использование нейросетевых технологий в прогнозировании эффективности производства зерна // Известия Оренбургского государственного аграрного университета. 2015. № 1 (51). С. 216219.
3. Мелихова Е.В. Моделирование и обоснование ресурсосберегающих параметров капельного орошения при возделывании корнеплодов: монография. Волгоград, ФГБОУ ВО Волгоградский ГАУ, 2017. 112 с.
4. Михайленко И. М. Управление агротехнологиями и роботизированные средства реализации // Инновации в сельском хозяйстве. 2019. № 1 (30). С. 242-258.
5. Николаенко А.Н., Кавокин А.А. Концепция разработки информационно-аналитической системы "Мелиорация" // Природообустройство. 2019. № 3. С. 6-13.
6. Официальные статистические публикации Волгоградстата [Электронный ресурс]. URL: https://volgastat.gks.ru/official_stat_publications (02.02.2020).
7. Рогачев А. Ф., Мелихова Е. В. Обоснование алгоритмов и инструментария для нейросетевого прогнозирования урожайности агрокультур с использованием ретроспективных данных // Известия Нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование. 2020. №1. С. 290-302. DOI: 10.32786/20719485-2020-01-29.
8. Рогачев А.Ф., Мелихова Е.В. «Формирование и использование базы данных статистической информации ретроспективной урожайности зерновых культур» // «Московский экономический журнал». 2020. № 4. URL: https://qje.su/ selskohozyajstvennye-nauki/moskovskij-ekonomicheskij-zhurnal-4- 2020-35/. DOI 10.24411/2413-046Х-2020-10233.
9. Сажин А.Н., Кулик К.Н., Васильев Ю.И. Погода и климат Волгоградской области. - Волгоград: ВНИАЛМИ, 2010. - 306 с.
10. Crops reclamation management based on hybrid neuro-fuzzy systems. IOP Conference Series / K.E. Tokarev at al. // Earth and Environmental Science. 2020. N.421(4), art. no. 042015.
11. Estimation of condition of cultivated pastures under remote sensing of earth / V. I. Trukhachev at all.// Engineering for Rural Development Proceedings. 2019. P. 442-449.
12. Melikhova E.V., Rogachev A.F., Skiter N.N. Information System and Database for Simulation of Irrigated Crop Growing // Studies in Computational Intelligence 2019, №826. - P. 1185-119.
13. Rogachev A. F., Shokhnekh A. V., Melikhova E. V. Monitoring and Economic & Mathematical Modeling of Manufacture and Consumption of Agricultural Products as a Tool of Food Security Management // Revista ESPACIOS. 2018. Vol. 39 (N° 01) P. 1
Literatura
1. Gagarin A.G., Rogachev A.F. Primenenie iskusstvennykh neironnykh setei dlya prognozirovaniya urozhainosti na osnove analiza kross-regional'nykh dannykh // Izvestiya Nizhnevolzhskogo agrouniversitetskogo kompleksa: Nauka i vysshee professional'noe obrazovanie. 2018. № 2. S. 339-346.
2. Zavodchikov N. D., Speshilova N. V., Taspaev S. S. Ispol'zovanie neirosetevykh tekhnologii v prognozirovanii ehffektivnosti proizvodstva zerna // Izvestiya Orenburgskogo gosudarstvennogo agrarnogo universiteta. 2015. № 1 (51). S. 216-219.
3. Melikhova E.V. Modelirovanie i obosnovanie resursosberegayushchikh parametrov kapel'nogo orosheniya pri vozdelyvanii korneplodov: monografiya. Volgograd, FGBOU VO Volgogradskii GAU, 2017. 112 s.
4. Mikhailenko I. M. Upravlenie agrotekhnologiyami i robotizirovannye sredstva realizatsii // Innovatsii v sel'skom khozyaistve. 2019. № 1 (30). S. 242-258.
5. Nikolaenko A.N., Kavokin A.A. Kontseptsiya razrabotki informatsionno-analiticheskoi sistemy "MelioratsiYA" // Prirodoobustroistvo. 2019. № 3. S. 6-13.
6. Ofitsial'nye statisticheskie publikatsii Volgogradstata [Ehlektronnyi resurs]. URL: https://volgastat.gks.ru/official_stat_publications (02.02.2020).
7. Rogachev A. F., Melikhova E. V. Obosnovanie algoritmov i instrumentariya dlya neirosetevogo prognozirovaniya urozhainosti agrokul'tur s ispol'zovaniem retrospektivnykh dannykh // Izvestiya Nizhnevolzhskogo agrouniversitetskogo kompleksa: nauka i vysshee professional'noe obrazovanie. 2020. №1. S. 290-302. DOI: 10.32786/2071-9485-2020-01-29.
8. Rogachev A.F., Melikhova E.V. «Formirovanie i ispol'zovanie bazy dannykh statisticheskoi informatsii retrospektivnoi urozhainosti zernovykh kul'tuR» // «Moskovskii ehkonomicheskii zhurnaL». 2020. № 4. URL: https://qje.su/selskohozyajstvennye-nauki/moskovskij -ekonomicheskij -zhurnal-4- 2020-35/. DOI 10.24411/2413-046Kh-2020-10233.
9. Sazhin A.N., Kulik K.N., Vasil'ev Yu.I. Pogoda i klimat Volgogradskoi oblasti. -Volgograd: VNIALMI, 2010. - 306 s.
10. Crops reclamation management based on hybrid neuro-fuzzy systems. IOP Conference Series / K.E. Tokarev at al. // Earth and Environmental Science. 2020. N.421(4), art. no. 042015.
11. Estimation of condition of cultivated pastures under remote sensing of earth / V. I. Trukhachev at all.// Engineering for Rural Development Proceedings. 2019. P. 442-449.
12. Melikhova E.V., Rogachev A.F., Skiter N.N. Information System and Database for Simulation of Irrigated Crop Growing // Studies in Computational Intelligence 2019, №826. - P. 1185-119.
13. Rogachev A. F., Shokhnekh A. V., Melikhova E. V. Monitoring and Economic & Mathematical Modeling of Manufacture and Consumption of Agricultural Products as a Tool of Food Security Management // Revista ESPACIOS. 2018. Vol. 39 (N° 01) P. 1
