employee
employee
employee
The productivity of spring wheat crops is the result of a complex interaction of many different factors. Construction of mathematical models, using modern methods and approaches, make it possible to explore and optimize the conditions of the environment in relation to the genetic program of a particular culture and thus increase crop productivity. We used the monitoring results of wheat yield for 32 years and eight major independent factors, affecting it: humidity, the effective temperature during the growing season, rainfall, vegetation period, gluten content, the weight of a thousand grains, grain weight from one ear, straw length. The factor analysis was used previously to improve the efficiency of the model. The use of this analysis led to reveal a latent correlation between factors, and group the data, thereby reducing the dimension of the problem. We obtain four main components (MC), corresponding a linear combination of factor loadings and factors, that describe the 83% of output factor dispersion. A part of dispersion, explained by MC1, is approximately 37%; MC2 - 21%, MC - 13% MC4 - 12%. Further investigation is to build and compare two mathematical models. The first classical model is deal with the construction of the regression equation and the second is a neural network research model, based on neural networks of multilayer perceptron type with one input, one output, and one hidden layer. The four major components are used as input parameters of the model. The models were tested on the input set and checked for adequacy of using Fisher’s exact test. As a result, both models showed good results, but more similar to the original data were the results of the neural network model.
neural network, factor analysis, spring wheat, intelligent analysis.
Использование интеллектуального анализа многомерных данных является актуальной задачей в любой отрасли исследования. В большинстве реальных задач множество значимых параметров либо размыто, либо не определено, что затрудняет построение адекватных регрессионных моделей и их дальнейшее исследование. Благодаря выявленным скрытым связям между множеством входных переменных, можно существенно повысить эффективность моделей за счет отбрасывания малозначащих переменных, а также группировки данных, имеющих латентные взаимосвязи. Подобные задачи решаются методом факторного анализа[1]. В данной работе современные подходы интеллектуального анализа использованы при математическом моделировании урожайности яровой пшеницы.Продуктивность посевов яровой пшеницы является результатом сложного взаимодействия самых разных факторов внешней среды (тепло, влага, элементы питания и др.) с генетически обусловленными биологическими особенностями выращиваемой культуры (сорта). Осуществить оптимизацию условий внешней среды применительно к генетической программ той или иной культуры можно лишь при целенаправленном управлении комплексом факторов [2-4]. С развитием агрохимии, агрометеорологии и вычислительной техники постоянно создавались теоретические и прикладные основы системы управления ростом и развитием растений в посевах с применением современных технических средств и методов обработки информации [5, 6]. Целью факторного анализа в данной работе является изучение соотношений между переменными влияющих на урожайность пшеницы и их значимости. Материал и методы исследования. Первым этапом данной работы является проведение факторного анализа для выявления значимых переменных, оказывающих влияние на урожайность пшеницы. Полученные результаты будут использованы в качестве входных факторов построенных моделей. Дальнейшее исследование заключается в оценке адекватности математических моделей и сравнении интеллектуального анализа с классическим подходом с построением уравнения регрессии.Анализ и обсуждение результатов исследования. Для проведения факторного анализа были использованы результаты наблюдений за урожайностью яровой пшеницы в течение 32 лет. Известны средние значения по годам следующих восьми независимых факторов, оказывающих влияние на урожайность пшеницы: влажность воздуха, эффективная температура за вегетацию, осадки, вегетационный период, содержание клейковины
1. Bolch B., Khuan´ K. Dzh. Mnogomernye statisticheskie metody dlya ekonomiki –M.:Statistika, 1979.- 317s.
2. Abdrakhmanov R.Kh. Nekotorye problemy analiza i upravleniya protsessom formirovaniya urozhaynosti / R.Kh. Abdrakhmanov. –Orenburg, 1998. - 448s.
3. Zhuchenko A.A. Adaptivnoe rastenievodstvo (Ekologo-geneticheskie osnovy). –M.: Izd-vo «Agrorus», 2009. - 172s.
4. Ziganshin A.A. Sovremennye tekhnologii i programmirovanie urozhaynosti /A.A. Ziganshin. –Kazan´: Izd-vo Kazanskogo universiteta, 2001. - 172s.
5. Serzhanov I.M. Yarovaya pshenitsa v severnoy chasti lesostepi Povolzh´ya /I.M. Serzhanov, F.Sh. Shaykhutdinov. –Kazan´, 2013. -234s.
6. Talanov I.P. Optimizatsiya priemov formirovaniya vysokoproduktivnykh tsenzov yarovoy pshenitsy /I.P. Talanov. –Kazan´, 2003, - 174s.
7. Novikova S.V., Ibyatov R.I., Valiev A.A., Kremleva E.Sh. Neyrosetevye metody poiska skrytykh svyazey v mnogomernykh dannykh// Sbornik trudov mezhdunarodnoy nauchnoy konferentsi «Matematicheskie metody v tekhnike i tekhnologiyakh». – Saratov: Izd-vo Sarat. gos.tekhn. un-t imeni Gagarina Yu.A., 2014. – S. 128-131.
8. Novikova S.V., Ibyatov R.I., Valiev A.A., Kremleva E.Sh. Neyroset´ obratnogo rasprostraneniya oshibki dlya analiza vybrosa svintsa v atmosferu ot vida i kolichestva transporta. Sbornik trudov Materialy mezhdunarodnoy nauchno-prakticheskoy konferentsii «Nauchnoe soprovozhdenie agropromyshlennogo kompleksa: teoriya, praktika, perspektivy». - Kazan´: Izd-vo Kazanskogo GAU, 2015. – S. 269-271.
9. Ibyatov R.I., Shaykhutdinov F.Sh., Valiev A.A. Faktornyy analiz dannykh, vliyayushchikh na urozhaynost´ pshenitsy. Materialy mezhdunarodnoy nauchno-prakticheskoy konferentsii «Agrarnaya nauka KhKhI veka. Aktual´nye issledovaniya i perspektivy» - Kazan´: Izd-vo Kazanskogo GAU, 2016. – S. 77-79.
