ГЛАВА-4. ПРОГНОЗИРОВАНИЕ ПРОДУКТИВНОСТИ
И КАЧЕСТВА КУЛЬТУР НА ОСНОВЕ ДАННЫХ МЕТЕОПРОГНОЗОВ

Исследование посвящено решению актуальных задач прогнозирования количественных и качественных результатов выращивания семечковых плодовых культур (на примере яблок), на основе выявления причинно-следственных зависимостей между метеофакторами и этими результатами.

В разделе 1: "Постановка задачи и выбор метода ее решения" обоснованы актуальность, объект и предмет, цель и задачи исследования, приведены источники исходных данных, дана характеристика исходных данных и обоснованы требования к методу решения поставленных задач, кратко описаны традиционные методы решения, и сделан основной вывод о недостаточности традиционных подходов и целесообразности применения новых методов для решения поставленных задач.

В разделе 2: "Когнитивная структуризация, формальная постановка задачи и синтез модели" обоснованы выбор метода и концепция решения задачи, дано краткое описание метода системно-когнитивного анализа (СК-анализ), раскрыты его теоретические предпосылки, описаны математическая модель, методика численных расчетов, специальный программный инструментарий СК-анализа (система "Эйдос"), проведены когнитивная структуризация предметной области, формальная постановка задачи и формирование обучающей выборки. В частности, разработаны классификационные и описательные шкалы и градации, а также электронная форма для представления исходных данных и применен программный интерфейс СК-анализа для преобразования исходных данных из формы по датам в стандартную форму по фенофазам, осуществлен импорт исходных данных из стандартной формы по фенофазам в базы данных системы "Эйдос", а затем и синтез семантической информационной модели, ее оптимизация и проверка на адекватность. По результатам второй главы сделан главный вывод о том, что сформированная модель имеет достаточно высокую адекватность для того, чтобы ее исследование считать исследованием самого объекта.

В разделе 3: "Исследование семантический информационной модели" решены следующие задачи:

1. Прогнозирование результатов выращивания заданной культуры в заданной точке.

2. Поддержка принятия решений по рациональному выбору зон и микрозон выращивания данной культуры и сорта.

3. Поддержка принятия решений по рациональному выбору культур для выращивания в данной зоне и микрозоне.

4. Кластерно-конструктивный и системно-когнитивный анализ результатов выращивания и факторов.

Показано, что для решения перечисленных задач предварительно необходимо решить задачу определения периодов фенофаз для заданного сорта в данной зоне и микрозоне выращивания и задачу определения значений метеопараметров в заданной точке по их значениям в трех ближайших метеостанциях, что не является предметом данной работы. В третьей главе сделан вывод о том, что предложенный подход позволяет успешно решить поставленные задачи и достичь цели работы.

В разделе 4: "Эффективность применения полученного решения, его ограничения и перспективы развития" кратко описаны возможности применения предложенной технологии в проектных и производственных организациях, а также в образовательных учреждениях. Показаны ограничения разработанной технологии и перспективы ее развития. Сделан вывод об эффективности предложенной технологии и целесообразности ее применения и дальнейшего развития.

В выводах кратко перечислены полученные результаты, констатировано достижение цели работы, сформулирована научная новизна и практическая значимость проведенного исследования.

4.1. Постановка задачи и выбор метода ее решения

4.1.1. Актуальность, объект и предмет, цель и задачи исследования

Актуальность темы работы определяется возможностью применения ее результатов на практике в ряде организаций различных направлений деятельности: проектных; производственных; образовательных.

В проектных организациях методы надежного прогнозирования количественных и качественных результатов выращивания яблок могли бы стать основой для принятия ряда ответственных решений, связанных с проектированием новых садов.

С этим связано решение двух задач:

1. Решение о размещении сада (обоснованный выбор зоны и подзоны выращивания конкретных сортов и культур).

2. Выбор сортов для выращивания (обоснованный выбор сортов и культур для выращивания в конкретной зоне и подзоне).

В настоящее время эти решения принимаются по данным эмпирических испытаний в отдельных точках, чаще всего привязанных к крупным плодовым хозяйствам без возможности проводить испытание всего набора культур и без учета и анализа адаптивного и природно-ресурсного потенциала конкретного пункта выращивания. Подобный подход приводит к тому, что культуры выращиваются не там, где для этого есть природные условия, а там, где имеется необходимая инфраструктура (населенные пункты). В результате, например, ни один сортоучасток в Краснодарском крае не дает урожай абрикосов больше 4-х раз в 10 лет. Аналогично обстоит дело и с выбором культур для выращивания на полях, а также с выбором агротехнологий для их выращивания.

В производственных организациях методы надежного прогнозирования количественных и качественных результатов выращивания яблок могли бы стать основой для принятия ряда ответственных решений, связанных с заблаговременным выбором способа использования произведенной продукции (продажа, хранение, переработка), и, этим самым, созданием благоприятных условий для осуществления выбранного способа:

– определением цен и оформление партнерских отношений по фьючерсным и лизинговым сделкам;

– подготовкой материально-технической базы хранения и переработки.

В учебном процессе методы надежного прогнозирования количественных и качественных результатов выращивания яблок могут быть использованы для разработки полноценной лабораторной работы по дисциплине: "Интеллектуальные информационные системы", изучаемой на 5-м курсе специальности 351400 – Прикладная информатика.

Актуальность данной работы определяется также ее научной новизной. В настоящее время подобные исследования и разработки проводились под руководством заслуженного деятеля науки РФ, доктора сельскохозяйственных наук профессора И.А.Драгавцевой по косточковым плодовым культурам: персик и абрикос [6], и по семечковым, в частности яблокам, насколько известно по литературным данным, подобная работа проводится впервые.

Таким образом, объектом исследования является изучение влияния факторов различной природы на количественные и качественные результаты выращивания сельхозкультур.

Предмет исследования состоит в изучении влияния климатических факторов на урожайность и качество яблок пяти сортов: "Джонатан", "Ред Делишес", "Ренет Симеренко", "Ренет Шампанское", "Старкрымсон".

Цель исследования: выявление причинно-следственных зависимостей между климатическими факторами с одной стороны, и урожайностью и качеством различных сортов яблок с другой стороны, и, на основе этого, разработка соответствующей методики прогнозирования.

Цель достигается путем поэтапного решения следующих задач:

1. Когнитивная структуризация предметной области и формальная постановка задачи, проектирование структуры и состава исходных данных.

2. Получение исходных данных запланированного состава в той форме, в которой они накапливаются в поставляющей их организации (журналы).

3. Разработка электронной формы для представления исходных данных.

4. Преобразование исходных данных в электронную форму.

5. Контроль достоверности исходных данных и исправление ошибок.

6. Использование программного интерфейса для преобразования исходных данных из формы по датам в стандартную форму по фенофазам.

7. Использование программного интерфейса для преобразования исходных данных из стандартной формы по фенофазам в базы данных, используемые в инструментарии системно-когнитивного анализа (СК-анализ) – когнитивной аналитической системе "Эйдос" (система "Эйдос").

8. Синтез семантической информационной модели (СИМ).

9. Оптимизация СИМ.

10. Измерение адекватности СИМ.

11. Решение задачи №1: "Прогнозирование результатов выращивания заданной культуры в заданной точке".

12. Решение задачи №2: "Поддержка принятия решений по рациональному выбору зон и микрозон выращивания данной культуры и сорта".

13. Решение задачи №3: "Поддержка принятия решений по рациональному выбору культур для выращивания в данной зоне и микрозоне".

14. Решение задачи №4: "Кластерно-конструктивный и системно-когнитивный анализ результатов выращивания и факторов".

15. Разработка принципов оценки экономической эффективности разработанных технологий при их применении:

– в проектных организациях;

– в производственных организациях;

– в образовательных учреждениях.

16. Исследование ограничений разработанной технологии и перспектив ее развития.

4.1.2. Источники исходных данных

Основой для выполнения данной работы являются данные, предоставленные ЗАО Агрофирмой "Сад – Гигант" (353565, Россия, Краснодарский края, г. Славянск-на-Кубани, ул. Школьная, 615), которая является крупнейшим хозяйством России и мира в своей отрасли (http://sadgigant.ru).

Свою историю агрофирма "Сад-Гигант" отсчитывает с 1929 года, и, на протяжении 70-ти лет, хозяйство крупнейшим производителем фруктов в стране (рисунок 31).

Рисунок 31. Агрофирма "Сад – Гигант", центральный офис

Более 15 лет возглавляет агрофирму "Сад-Гигант" Кладь Александр Анатольевич – известный ученый, профессор, доктор сельскохозяйственных наук в области садоводства, заслуженный работник сельского хозяйства России, прогрессивный руководитель, депутат краевого законодательного собрания.

Сегодня агрофирма - одно из ведущих хозяйств в России по производству плодовой продукции.

И можно с уверенностью сказать, что АФ "Сад- Гигант" крепко стоит на ногах, не пользуется заемными средствами, своевременно оплачивает налоги в бюджеты всех уровней, взносы во внебюджетные фонды и заработную плату своим работникам.

"Сад-Гигант" - это 3500 гектаров земельных угодий, из которых 2000 занято плодовыми насаждениями, где только плодоносящих яблонь около сорока сортов.

"Сад-Гигант" - это более 30 тысяч тонн свежих фруктов ежегодно.

На базе агрофирмы работает госсортоучасток, где ведется изучение и совершенствование сортимента плодовых культур. Здесь на площади 50 гектаров в конкурсном испытании заложено около 400 сортоопытов по пяти культурам: яблоня, груша, слива, алыча, черешня. Ежегодно коллекцию пополняет до 20 новых сортов и гибридов плодовых культур. На основе испытаний определяются перспективные сорта плодовых культур для промышленной основы в условиях нашего хозяйства. Так, за последний год, выделены по качеству, урожайности и рекомендованы следующие сорта: яблоня - "Алые паруса", "Флорина"; черешня - "Ярославна", "Роксалана", "Опус", "Эпос"; слива - "Блек Стар"; алыча - "Глобус".

Интенсивные технологии выращивания садов, новые перспективные сорта, хранение их в фруктохранилищах с регулируемой газовой атмосферой, товарная обработка плодов на голландской линии в фирменную гофротару - все это позволяет продукции агрофирмы в новых рыночных условиях быть конкурентоспособной.

В фирме организован и ведется систематический сбор и учет данных, необходимых для осуществления основной деятельности предприятия (плановых мероприятий по подкормке, обработке и уходу за культурами), а также для планирования и прогнозирования будущих результатов деятельности (качества и количества урожая).

Ответственными за этот учет являются:

– метеорологический центр;

– плановый отдел;

– лаборатория;

– отдел маркетинга.

Для выполнения данной работы использовались таблицы основных метеоданных за каждый день с 01.01.1993 по 31.12.2002 года, полученные в метеорологический центре, по следующим показателям:

– температуре воздуха;

– почвы;

– относительная и абсолютная влажность;

– осадки;

– атмосферное давление;

– облачность;

– скорость и азимут ветра;

– атмосферные явления.

Плановый отдел предоставил информацию по количеству и качеству выращенной продукции тон/гектар пяти сортов яблок за десять лет.

В лаборатории отобраны данные по времени начала и окончания фенологических фаз состояния и роста культур с момента набухания почки до завершения листопада.

4.1.3. Характеристика исходных данных и обоснование требований к методу решения поставленных задач

Исходные данные представлены нами в форме Excel-таблицы, включающей показатели различных типов данных:

– "дата" – 27;

– "текст" – 1;

– "число" – 22;

– "список" – 1.

Эта таблица состоит из 51 столбца (показателя) и 18260 строк, т.е. имеет довольно большую размерность и имеет размер около 7 мегабайт.

Строки содержат суточные метеоданные, наблюдаемые при выращивании 5 сортов яблок в течение 10 лет.

4 числовых показателя содержат количественные и качественные результаты выращивания (урожайность всего и в разрезе по сортам качества) каждого из 5 сортов, что составляет 99 классов.

18 числовых и 1 списочный показатель содержат метеоданные и информацию о 18 типах метеоявлений по каждой фенотипической фазе развития растений, которых всего 13.

Соответственно, эти показатели при преобразовании даже в шкалы отношений образуют 559 шкал, что дает 2795 градаций уже при 5 интервалах, а при увеличении числа интервалов количество градаций еще больше возрастает.

Следовательно, используемый математический метод должен обеспечивать выявление причинно-следственных зависимостей между метеофакторами (причины), и количественными и качественными результатами выращивания (следствия) на основе совместной обработки разнотипных данных больших размерностей.

4.1.4. Традиционные методы решения

Традиционные статистические модели:

– имеют жесткие ограничения по количеству исследуемых факторов, как правило, не более 10, тогда как в исследуемой модели факторов 559 шкал суммарно с 2795 градациями;

– требуют информации о результатах действия всех сочетаний исследуемых факторов ("повторности") [27], что в исследуемой предметной области практически невыполнимо даже при нескольких факторах.

Необходимо особо подчеркнуть, что восполнить отсутствующие данные из опыта не представляется возможным, т.к. объект исследования принципиально не допускает повторение условий прошедших периодов с заданными сочетаниями факторов, которые не зависят от воли человека. Восполнение данных путем интерполяции также некорректно, т.к. в каждой строке и столбце корреляционной матрицы имеется более одного пропуска.

Кроме того, статистические модели очень сложно содержательно интерпретировать, для чего требуются большой труд квалифицированных аналитиков.

Таким образом, можно сделать вывод, что для моделирования такого сложного и малоисследованного объекта, каким является искусственная экосистема яблочного сада, применение традиционных математических моделей является проблематичным.

4.1.5. Выводы

Традиционные методы обработки имеющихся исходных данных не обеспечивают решение поставленных задач и необходимо использование нового подхода, обеспечивающего выявление причинно-следственных зависимостей между метеофакторами (причины), и количественными и качественными результатами выращивания (следствия) на основе совместной обработки разнотипных данных больших размерностей.

4.2. Когнитивная структуризация,
формальная постановка задачи и синтез модели

4.2.1. Обоснование выбора метода
и концепция решения задачи

По-видимому, решение поставленных задач может быть получено путем применения системно-когнитивного анализа (СК-анализ) [27], – нового перспективного математического метода системного анализа, основанного на теории информации, системном анализе и когнитивном моделировании.

Метод является непараметрическим, позволяет сопоставимо обрабатывать тысячи градаций факторов и будущих состояний объекта управления при неполных (фрагментированных), зашумленных данных различной природы.

Для метода СК-анализа разработаны и методика численных расчетов, и соответствующий программный инструментарий, а также технология и методика их применения. Они прошли успешную апробацию при решении ряда задач в различных предметных областях [27].

Наличие инструментария СК-анализа позволяет не только осуществить синтез СИМ, но и периодически поводить адаптацию и синтез новых версий семантической информационной модели, обеспечивая тем самым отслеживание динамики предметной области и сохраняя высокую адекватность модели в изменяющихся условиях.

В работах [27, 35, 36] приведен перечень этапов системно-когнитивного анализа, которые необходимо выполнить, чтобы осуществить синтез модели и исследование модели объекта управления:

1. Когнитивная структуризация, а затем и формализация предметной области.

2. Ввод данных мониторинга в базу прецедентов за период, в течение которого имеется необходимая информация в электронной форме.

3. Синтез семантической информационной модели (СИМ).

4. Оптимизация СИМ.

5. Проверка адекватности СИМ (измерение внутренней и внешней, дифференциальной и интегральной валидности).

6. Анализ СИМ.

7. Решение задач идентификации состояний объекта управления, прогнозирование и поддержка принятия управленческих решений по управлению с применением СИМ.

В СК-анализе нечисловым величинам тем же методом, что и числовым, приписываются сопоставимые в пространстве и времени, а также между собой, количественные значения, позволяющие обрабатывать их как числовые:

– на первых двух этапах СК-анализа числовые величины сводятся к интервальным оценкам, как и информация об объектах нечисловой природы (фактах, событиях) (этот этап реализуется и в методах интервальной статистики);

– на третьем этапе СК-анализа всем этим величинам по единой методике, основанной на системном обобщении семантической теории информации А.Харкевича, сопоставляются количественные величины, с которыми в дальнейшем и производятся все операции моделирования (этот этап является уникальным для СК-анализа).

4.2.2. Когнитивная структуризация предметной области,
формальная постановка задачи
и формирование обучающей выборки

Рассмотрим подробнее пути реализации первого этапа СК-анализа. На этом этапе:

– конкретно определяются факторы и будущие состояния объекта управления;

– измеряется область изменения числовых значений факторов и интервалы (диапазоны), а также макропараметров, определяющих состояния объекта управления;

– конструируются классификационные и описательные шкалы и градации и их кодирование;

– исходные данные кодируются в системе классификационных и описательных шкал и градаций, и формируется обучающая выборка (база прецедентов, содержащая в формализованный опыт управления перерабатывающим комплексом региона за ряд лет).

4.2.2.1. Когнитивная структуризация предметной области и формальная постановка задачи, проектирование структуры и состава исходных данных

4.2.2.1.1. Когнитивная структуризация предметной области

Под когнитивной структуризацией понимается определение будущих состояний системы, т.е. ее желательных (целевых) и нежелательных будущих состояний, а также системы факторов, детерминирующих эти будущие состояния.

В общем случае, как факторы могут рассматриваться и факторы окружающей среды, и технологические факторы, и параметры объекта исследования на низких уровнях ее иерархической структурно-функциональной организации. В данном исследовании как факторы рассматриваются климатические факторы и явления.

Предлагаем для исследования в модели следующие состояния объекта исследования (классы) (таблица 18) и детерминирующие их факторы (признаки) (таблица 19).

Таблица 18 – КЛАССИФИКАЦИОННЫЕ ШКАЛЫ И ГРАДАЦИИ (КЛАССЫ) (ФРАГМЕНТ)

№	Наименование	№	Наименование
1	Джонатан (всего)	11	Джонатан (2-й сорт)
2	Ред Делишес (всего)	12	Ред Делишес (2-й сорт)
3	Ренет Симеренко (всего)	13	Ренет Симеренко (2-й сорт)
4	Ренет Шампанское (всего)	14	Ренет Шампанское (2-й сорт)
5	Старкрымсон (всего)	15	Старкрымсон (2-й сорт)
6	Джонатан (1-й сорт)	16	Джонатан (3-й сорт)
7	Ред Делишес (1-й сорт)	17	Ред Делишес (3-й сорт)
8	Ренет Симеренко (1-й сорт)	18	Ренет Симеренко (3-й сорт)
9	Ренет Шампанское (1-й сорт)	19	Ренет Шампанское (3-й сорт)
10	Старкрымсон (1-й сорт)	20	Старкрымсон (3-й сорт)

Имеется в виду урожайность с 1га по всем сортам яблок "всего" и "в том числе" по трем сортам качества.

Таблица 19 – ОПИСАТЕЛЬНЫЕ ШКАЛЫ (ФАКТОРЫ) (ФРАГМЕНТ)

№	Условное наименование	№	Условное наименование	№	Условное наименование	№	Условное наименование
1	01TVOZDSR	44	02TVOZDSR	87	03TVOZDSR	130	04TVOZDSR
2	01TVOZDMAX	45	02TVOZDMAX	88	03TVOZDMAX	131	04TVOZDMAX
3	01TVOZDMIN	46	02TVOZDMIN	89	03TVOZDMIN	132	04TVOZDMIN
4	01TPOCHSR	47	02TPOCHSR	90	03TPOCHSR	133	04TPOCHSR
5	01TPOCHMAX	48	02TPOCHMAX	91	03TPOCHMAX	134	04TPOCHMAX
6	01TPOCHMIN	49	02TPOCHMIN	92	03TPOCHMIN	135	04TPOCHMIN
7	01VLOTNSR	50	02VLOTNSR	93	03VLOTNSR	136	04VLOTNSR
8	01VLOTNMIN	51	02VLOTNMIN	94	03VLOTNMIN	137	04VLOTNMIN
9	01VLABS	52	02VLABS	95	03VLABS	138	04VLABS
10	01OSAD_DAY	53	02OSAD_DAY	96	03OSAD_DAY	139	04OSAD_DAY
11	01OSAD_NIG	54	02OSAD_NIG	97	03OSAD_NIG	140	04OSAD_NIG
12	01OSAD_SUT	55	02OSAD_SUT	98	03OSAD_SUT	141	04OSAD_SUT
13	01DAVL_STA	56	02DAVL_STA	99	03DAVL_STA	142	04DAVL_STA
14	01DAVL_SEA	57	02DAVL_SEA	100	03DAVL_SEA	143	04DAVL_SEA
15	01OBL_VSEG	58	02OBL_VSEG	101	03OBL_VSEG	144	04OBL_VSEG
16	01OBL_DOWN	59	02OBL_DOWN	102	03OBL_DOWN	145	04OBL_DOWN
17	01VETER_AZ	60	02VETER_AZ	103	03VETER_AZ	146	04VETER_AZ
18	01VETER_SK	61	02VETER_SK	104	03VETER_SK	147	04VETER_SK
19	01ATM_00	62	02ATM_00	105	03ATM_00	148	04ATM_00
20	01ATM_01	63	02ATM_01	106	03ATM_01	149	04ATM_01
21	01ATM_02	64	02ATM_02	107	03ATM_02	150	04ATM_02
22	01ATM_03	65	02ATM_03	108	03ATM_03	151	04ATM_03
23	01ATM_04	66	02ATM_04	109	03ATM_04	152	04ATM_04
24	01ATM_05	67	02ATM_05	110	03ATM_05	153	04ATM_05
25	01ATM_06	68	02ATM_06	111	03ATM_06	154	04ATM_06
26	01ATM_07	69	02ATM_07	112	03ATM_07	155	04ATM_07
27	01ATM_08	70	02ATM_08	113	03ATM_08	156	04ATM_08
28	01ATM_09	71	02ATM_09	114	03ATM_09	157	04ATM_09
29	01ATM_10	72	02ATM_10	115	03ATM_10	158	04ATM_10
30	01ATM_11	73	02ATM_11	116	03ATM_11	159	04ATM_11
31	01ATM_12	74	02ATM_12	117	03ATM_12	160	04ATM_12
32	01ATM_13	75	02ATM_13	118	03ATM_13	161	04ATM_13
33	01ATM_14	76	02ATM_14	119	03ATM_14	162	04ATM_14
34	01ATM_15	77	02ATM_15	120	03ATM_15	163	04ATM_15
35	01ATM_16	78	02ATM_16	121	03ATM_16	164	04ATM_16
36	01ATM_17	79	02ATM_17	122	03ATM_17	165	04ATM_17
37	01ATM_18	80	02ATM_18	123	03ATM_18	166	04ATM_18
38	01ATM_19	81	02ATM_19	124	03ATM_19	167	04ATM_19
39	01ATM_20	82	02ATM_20	125	03ATM_20	168	04ATM_20
40	01ATM_21	83	02ATM_21	126	03ATM_21	169	04ATM_21
41	01ATM_22	84	02ATM_22	127	03ATM_22	170	04ATM_22
42	01ATM_23	85	02ATM_23	128	03ATM_23	171	04ATM_23
43	01ATM_24	86	02ATM_24	129	03ATM_24	172	04ATM_24

В таблице 19 приведены наименования 172-х шкал для 4-х фаз. Аналогичны наименования и остальных шкал для всех 13 фаз (всего 559 шкал), приведенные в таблице 20.

Таблица 20 – РАСШИФРОВКА УСЛОВНЫХ НАИМЕНОВАНИЙ

№	Условное наименование	Расшифровка
1	01TVOZDSR	Температура воздуха средняя (°С)
2	01TVOZDMAX	Температура воздуха максимальная (°С)
3	01TVOZDMIN	Температура воздуха минимальная (°С)
4	01TPOCHSR	Температура почвы средняя (°С)
5	01TPOCHMAX	Температура почвы максимальная (°С)
6	01TPOCHMIN	Температура почвы минимальная (°С)
7	01VLOTNSR	Влажность относительная средняя
8	01VLOTNMIN	Влажность относительная минимальная
9	01VLABS	Влажность абсолютная
10	01OSAD_DAY	Количество осадков днем
11	01OSAD_NIG	Количество осадков за ночь
12	01OSAD_SUT	Количество осадков за сутки
13	01DAVL_STA	Атмосферное давление на уровне метеостанции
14	01DAVL_SEA	Атмосферное давление на уровне моря
15	01OBL_VSEG	Облачность всего
16	01OBL_DOWN	Облачность низкая
17	01VETER_AZ	Ветер азимут (способ кодирования в таблица 8)
18	01VETER_SK	Ветер скорость
19	01ATM_00	Штиль
20	01ATM_01	Дождь
21	01ATM_02	Ливневый дождь
22	01ATM_03	Морось
23	01ATM_04	Снег
24	01ATM_05	Ливневый снег
25	01ATM_06	Снежная крупа
26	01ATM_07	Снежные зерна
27	01ATM_08	Ледяная крупа
28	01ATM_09	Ледяной дождь
29	01ATM_10	Град
30	01ATM_11	Мокрый снег
31	01ATM_12	Ливневый мокрый снег
32	01ATM_13	Роса
33	01ATM_14	Иней
34	01ATM_15	Гололед
35	01ATM_16	Зернистая изморось
36	01ATM_17	Кристаллическая изморось
37	01ATM_18	Гололедица
38	01ATM_19	Туман
39	01ATM_20	Просвечивающийся туман
40	01ATM_21	Дымка
41	01ATM_22	Гроза
42	01ATM_23	Зарница
42	01ATM_24	Шквал

Двузначный номер в начале условного наименования в таблицах 19, 20 и далее означает номер фазы и изменяется от 1 до 13.

В таблице 50 приведен способ кодирования азимута ветра.

Таблица 21 – СПОСОБ КОДИРОВАНИЯ
АЗИМУТА ВЕТРА

Код	Расшифровка
0	Северный
45	Северо-западный
90	Западный
135	Юго-западный
180	Южный
225	Юго-восточный
270	Восточный.
315	Северо-восточный

4.2.2.1.2. Формализация предметной области

Формализация предметной области осуществляется на основе ее когнитивной структуризации, проведенной в предыдущем разделе.

Формализация предметной области – это конструирование классификационных (таблица 18) и описательных шкал и градаций (таблицы 19 и 20), как правило, порядкового типа с использованием интервальных оценок, в системе которых предметная область описывается в форме, пригодной для обработки на компьютере с использованием математических моделей [27].

В соответствии с методом СК-анализа каждый числовой фактор, независимо от его смысла и единиц измерения, рассматривается как переменная числовая величина, принимающая определенное множество значений. Подобные величины формализуются путем сведения к интервальным значениям, т.е. путем введения некоторого количества диапазонов, охватывающих все множество значений фактора, и установления фактов попадания конкретного значения величины в определенный диапазон.

Для каждого фактора устанавливаются свои границы диапазонов, исходя из их количества и множества значений величины фактора.

Количество диапазонов может быть различным для разных факторов, но на практике удобнее выбирать их одинаковым. Каковы же соображения, из которых исходят при выборе количества диапазонов? Чем больше диапазонов, тем точнее интервальные оценки. Однако это так только тогда, когда, по крайней мере, для большинства диапазонов наблюдаются факты попадания значений факторов в них. Очевидно, для этого необходимо достаточно большое количество данных. Если же их нет, то многие диапазоны могут оказаться пустыми и модель приближается к детерминистскому типу. Тогда имеет смысл уменьшить их количество и тем самым укрупнить их.

Из этих рассуждений следует вывод о том, что при большом количестве данных оправданно увеличивать количество диапазонов и имеется возможность повысить точность исследования. Когда же данных недостаточно, приходится укрупнять диапазоны, что приводит к некоторой потере точности выводов, но делает их более обоснованными статистически. По-видимому, это утверждение можно считать одной из форм теоремы Котельникова об отсчетах.

СК-анализ предусматривает также возможность использования вторичных показателей, являющихся различными функциями первичных показателей. Но этот подход требует данных большего объема и за больший период времени и, поэтому, в данном исследовании применяться не будет.

Основываясь на этих соображениях нами, прежде всего, было определено количество диапазонов, количество которых было выбрано равным 5.

Затем были определены границы каждого диапазона. Для этого:

– для каждого фактора были определены минимальное и максимальное значения;

– весь интервал значений был разделен на пять равных частей (это означает, что фактически используется не порядковая шкала, как это выглядит на первый взгляд, а шкала отношений).

Исходя из этого были сконстурированы классифкационные и описательные шкалы и градации (таблицы 22 – 24).

Таблица 22 – КЛАССИФИКАЦИОННЫЕ ШКАЛЫ
И ГРАДАЦИИ (КЛАССЫ)

Код	Наименование	Код	Наименование
1	Джонатан (всего) - урожай: 10.00	51	Ред Делишес (1-й сорт) - урожай: 18.00
2	Джонатан (всего) - урожай: 11.00	52	Ред Делишес (1-й сорт) - урожай: 23.00
3	Джонатан (всего) - урожай: 12.00	53	Ред Делишес (1-й сорт) - урожай: 25.00
4	Джонатан (всего) - урожай: 13.00	54	Ред Делишес (1-й сорт) - урожай: 9.00
5	Джонатан (всего) - урожай: 14.00	55	Ренет Симеренко (1-й сорт) - урожай: 11.00
6	Джонатан (всего) - урожай: 15.00	56	Ренет Симеренко (1-й сорт) - урожай: 14.00
7	Джонатан (всего) - урожай: 5.00	57	Ренет Симеренко (1-й сорт) - урожай: 15.00
8	Ред Делишес (всего) - урожай: 10.00	58	Ренет Симеренко (1-й сорт) - урожай: 18.00
9	Ред Делишес (всего) - урожай: 14.00	59	Ренет Симеренко (1-й сорт) - урожай: 19.00
10	Ред Делишес (всего) - урожай: 15.00	60	Ренет Симеренко (1-й сорт) - урожай: 26.00
11	Ред Делишес (всего) - урожай: 16.00	61	Ренет Симеренко (1-й сорт) - урожай: 3.00
12	Ред Делишес (всего) - урожай: 18.00	62	Ренет Шампанское (1-й сорт) - урожай: 13.00
13	Ред Делишес (всего) - урожай: 19.00	63	Ренет Шампанское (1-й сорт) - урожай: 15.00
14	Ред Делишес (всего) - урожай: 24.00	64	Ренет Шампанское (1-й сорт) - урожай: 16.00
15	Ред Делишес (всего) - урожай: 27.00	65	Ренет Шампанское (1-й сорт) - урожай: 19.00
16	Ренет Симеренко (всего) - урожай: 12.00	66	Ренет Шампанское (1-й сорт) - урожай: 20.00
17	Ренет Симеренко (всего) - урожай: 15.00	67	Ренет Шампанское (1-й сорт) - урожай: 24.00
18	Ренет Симеренко (всего) - урожай: 16.00	68	Ренет Шампанское (1-й сорт) - урожай: 8.00
19	Ренет Симеренко (всего) - урожай: 17.00	69	Старкрымсон (1-й сорт) - урожай: 11.00
20	Ренет Симеренко (всего) - урожай: 20.00	70	Старкрымсон (1-й сорт) - урожай: 13.00
21	Ренет Симеренко (всего) - урожай: 22.00	71	Старкрымсон (1-й сорт) - урожай: 14.00
22	Ренет Симеренко (всего) - урожай: 28.00	72	Старкрымсон (1-й сорт) - урожай: 17.00
23	Ренет Симеренко (всего) - урожай: 3.00	73	Старкрымсон (1-й сорт) - урожай: 7.00
24	Ренет Симеренко (всего) - урожай: 4.00	74	Старкрымсон (1-й сорт) - урожай: 8.00
25	Ренет Шампанское (всего) - урожай: 10.00	75	Джонатан (2-й сорт) - урожай: 0.00
26	Ренет Шампанское (всего) - урожай: 14.00	76	Джонатан (2-й сорт) - урожай: 1.00
27	Ренет Шампанское (всего) - урожай: 15.00	77	Джонатан (2-й сорт) - урожай: 15.00
28	Ренет Шампанское (всего) - урожай: 17.00	78	Джонатан (2-й сорт) - урожай: 2.00
29	Ренет Шампанское (всего) - урожай: 21.00	79	Ред Делишес (2-й сорт) - урожай: 1.00
30	Ренет Шампанское (всего) - урожай: 22.00	80	Ред Делишес (2-й сорт) - урожай: 2.00
31	Ренет Шампанское (всего) - урожай: 23.00	81	Ренет Симеренко (2-й сорт) - урожай: 0.00
32	Ренет Шампанское (всего) - урожай: 25.00	82	Ренет Симеренко (2-й сорт) - урожай: 1.00
33	Ренет Шампанское (всего) - урожай: 27.00	83	Ренет Симеренко (2-й сорт) - урожай: 2.00
34	Старкрымсон (всего) - урожай: 10.00	84	Ренет Шампанское (2-й сорт) - урожай: 1.00
35	Старкрымсон (всего) - урожай: 12.00	85	Ренет Шампанское (2-й сорт) - урожай: 2.00
36	Старкрымсон (всего) - урожай: 15.00	86	Ренет Шампанское (2-й сорт) - урожай: 3.00
37	Старкрымсон (всего) - урожай: 16.00	87	Старкрымсон (2-й сорт) - урожай: 1.00
38	Старкрымсон (всего) - урожай: 18.00	88	Старкрымсон (2-й сорт) - урожай: 2.00
39	Старкрымсон (всего) - урожай: 20.00	89	Старкрымсон (2-й сорт) - урожай: 3.00
40	Старкрымсон (всего) - урожай: 9.00	90	Джонатан (3-й сорт) - урожай: 0.00
41	Джонатан (1-й сорт) - урожай: 12.00	91	Джонатан (3-й сорт) - урожай: 1.00
42	Джонатан (1-й сорт) - урожай: 13.00	92	Ред Делишес (3-й сорт) - урожай: 0.00
43	Джонатан (1-й сорт) - урожай: 14.00	93	Ред Делишес (3-й сорт) - урожай: 1.00
44	Джонатан (1-й сорт) - урожай: 3.00	94	Ренет Симеренко (3-й сорт) - урожай: 0.00
45	Джонатан (1-й сорт) - урожай: 7.00	95	Ренет Симеренко (3-й сорт) - урожай: 1.00
46	Джонатан (1-й сорт) - урожай: 9.00	96	Ренет Шампанское (3-й сорт) - урожай: 0.00
47	Ред Делишес (1-й сорт) - урожай: 13.00	97	Ренет Шампанское (3-й сорт) - урожай: 1.00
48	Ред Делишес (1-й сорт) - урожай: 14.00	98	Старкрымсон (3-й сорт) - урожай: 0.00
49	Ред Делишес (1-й сорт) - урожай: 15.00	99	Старкрымсон (3-й сорт) - урожай: 1.00
50	Ред Делишес (1-й сорт) - урожай: 17.00

Таблица 23 – ОПИСАТЕЛЬНЫЕ ШКАЛЫ И КОДЫ ГРАДАЦИЙ (ЗНАЧЕНИЯ ФАКТОРОВ) (ФРАГМЕНТ)

Код	Условное наименование	1	2	3	4	5	Код	Условное наименование	1	2	3	4	5
1	01TVOZDSR	1	2	3	4	5	44	02TVOZDSR	216	217	218	219	220
2	01TVOZDMAX	6	7	8	9	10	45	02TVOZDMAX	221	222	223	224	225
3	01TVOZDMIN	11	12	13	14	15	46	02TVOZDMIN	226	227	228	229	230
4	01TPOCHSR	16	17	18	19	20	47	02TPOCHSR	231	232	233	234	235
5	01TPOCHMAX	21	22	23	24	25	48	02TPOCHMAX	236	237	238	239	240
6	01TPOCHMIN	26	27	28	29	30	49	02TPOCHMIN	241	242	243	244	245
7	01VLOTNSR	31	32	33	34	35	50	02VLOTNSR	246	247	248	249	250
8	01VLOTNMIN	36	37	38	39	40	51	02VLOTNMIN	251	252	253	254	255
9	01VLABS	41	42	43	44	45	52	02VLABS	256	257	258	259	260
10	01OSAD_DAY	46	47	48	49	50	53	02OSAD_DAY	261	262	263	264	265
11	01OSAD_NIG	51	52	53	54	55	54	02OSAD_NIG	266	267	268	269	270
12	01OSAD_SUT	56	57	58	59	60	55	02OSAD_SUT	271	272	273	274	275
13	01DAVL_STA	61	62	63	64	65	56	02DAVL_STA	276	277	278	279	280
14	01DAVL_SEA	66	67	68	69	70	57	02DAVL_SEA	281	282	283	284	285
15	01OBL_VSEG	71	72	73	74	75	58	02OBL_VSEG	286	287	288	289	290
16	01OBL_DOWN	76	77	78	79	80	59	02OBL_DOWN	291	292	293	294	295
17	01VETER_AZ	81	82	83	84	85	60	02VETER_AZ	296	297	298	299	300
18	01VETER_SK	86	87	88	89	90	61	02VETER_SK	301	302	303	304	305
19	01ATM_00	91	92	93	94	95	62	02ATM_00	306	307	308	309	310
20	01ATM_01	96	97	98	99	100	63	02ATM_01	311	312	313	314	315
21	01ATM_02	101	102	103	104	105	64	02ATM_02	316	317	318	319	320
22	01ATM_03	106	107	108	109	110	65	02ATM_03	321	322	323	324	325
23	01ATM_04	111	112	113	114	115	66	02ATM_04	326	327	328	329	330
24	01ATM_05	116	117	118	119	120	67	02ATM_05	331	332	333	334	335
25	01ATM_06	121	122	123	124	125	68	02ATM_06	336	337	338	339	340
26	01ATM_07	126	127	128	129	130	69	02ATM_07	341	342	343	344	345
27	01ATM_08	131	132	133	134	135	70	02ATM_08	346	347	348	349	350
28	01ATM_09	136	137	138	139	140	71	02ATM_09	351	352	353	354	355
29	01ATM_10	141	142	143	144	145	72	02ATM_10	356	357	358	359	360
30	01ATM_11	146	147	148	149	150	73	02ATM_11	361	362	363	364	365
31	01ATM_12	151	152	153	154	155	74	02ATM_12	366	367	368	369	370
32	01ATM_13	156	157	158	159	160	75	02ATM_13	371	372	373	374	375
33	01ATM_14	161	162	163	164	165	76	02ATM_14	376	377	378	379	380
34	01ATM_15	166	167	168	169	170	77	02ATM_15	381	382	383	384	385
35	01ATM_16	171	172	173	174	175	78	02ATM_16	386	387	388	389	390
36	01ATM_17	176	177	178	179	180	79	02ATM_17	391	392	393	394	395
37	01ATM_18	181	182	183	184	185	80	02ATM_18	396	397	398	399	400
38	01ATM_19	186	187	188	189	190	81	02ATM_19	401	402	403	404	405
39	01ATM_20	191	192	193	194	195	82	02ATM_20	406	407	408	409	410
40	01ATM_21	196	197	198	199	200	83	02ATM_21	411	412	413	414	415
41	01ATM_22	201	202	203	204	205	84	02ATM_22	416	417	418	419	420
42	01ATM_23	206	207	208	209	210	85	02ATM_23	421	422	423	424	425
43	01ATM_24	211	212	213	214	215	86	02ATM_24	426	427	428	429	430

Таблица 24 – РАСШИФРОВКА НАИМЕНОВАНИЙ ГРАДАЦИЙ ОПИСАТЕЛЬНЫХ ШКАЛ (ФРАГМЕНТ)

Код	Условное наименование градации	Код шкалы	Код	Условное наименование градации	Код шкалы
1	01TVOZDSR: {-1.520, 1.902}	1	109	01ATM_03: {0.600, 0.800}	22
2	01TVOZDSR: {1.902, 5.324}	1	110	01ATM_03: {0.800, 1.000}	22
3	01TVOZDSR: {5.324, 8.746}	1	111	01ATM_04: {0.000, 0.400}	23
4	01TVOZDSR: {8.746, 12.168}	1	112	01ATM_04: {0.400, 0.800}	23
5	01TVOZDSR: {12.168, 15.590}	1	113	01ATM_04: {0.800, 1.200}	23
6	01TVOZDMAX: {7.200, 11.240}	2	114	01ATM_04: {1.200, 1.600}	23
7	01TVOZDMAX: {11.240, 15.280}	2	115	01ATM_04: {1.600, 2.000}	23
8	01TVOZDMAX: {15.280, 19.320}	2	116	01ATM_05: {0.000, 0.200}	24
9	01TVOZDMAX: {19.320, 23.360}	2	117	01ATM_05: {0.200, 0.400}	24
10	01TVOZDMAX: {23.360, 27.400}	2	118	01ATM_05: {0.400, 0.600}	24
11	01TVOZDMIN: {-10.000, -7.080}	3	119	01ATM_05: {0.600, 0.800}	24
12	01TVOZDMIN: {-7.080, -4.160}	3	120	01ATM_05: {0.800, 1.000}	24
13	01TVOZDMIN: {-4.160, -1.240}	3	121	01ATM_06: {0.000, 0.000}	25
14	01TVOZDMIN: {-1.240, 1.680}	3	122	01ATM_06: {0.000, 0.000}	25
15	01TVOZDMIN: {1.680, 4.600}	3	123	01ATM_06: {0.000, 0.000}	25
16	01TPOCHSR: {-1.630, 2.268}	4	124	01ATM_06: {0.000, 0.000}	25
17	01TPOCHSR: {2.268, 6.166}	4	125	01ATM_06: {0.000, 0.000}	25
18	01TPOCHSR: {6.166, 10.064}	4	126	01ATM_07: {0.000, 0.200}	26
19	01TPOCHSR: {10.064, 13.962}	4	127	01ATM_07: {0.200, 0.400}	26
20	01TPOCHSR: {13.962, 17.860}	4	128	01ATM_07: {0.400, 0.600}	26
21	01TPOCHMAX: {17.100, 22.320}	5	129	01ATM_07: {0.600, 0.800}	26
22	01TPOCHMAX: {22.320, 27.540}	5	130	01ATM_07: {0.800, 1.000}	26
23	01TPOCHMAX: {27.540, 32.760}	5	131	01ATM_08: {0.000, 0.000}	27
24	01TPOCHMAX: {32.760, 37.980}	5	132	01ATM_08: {0.000, 0.000}	27
25	01TPOCHMAX: {37.980, 43.200}	5	133	01ATM_08: {0.000, 0.000}	27
26	01TPOCHMIN: {-11.000, -8.600}	6	134	01ATM_08: {0.000, 0.000}	27
27	01TPOCHMIN: {-8.600, -6.200}	6	135	01ATM_08: {0.000, 0.000}	27
28	01TPOCHMIN: {-6.200, -3.800}	6	136	01ATM_09: {0.000, 0.000}	28
29	01TPOCHMIN: {-3.800, -1.400}	6	137	01ATM_09: {0.000, 0.000}	28
30	01TPOCHMIN: {-1.400, 1.000}	6	138	01ATM_09: {0.000, 0.000}	28
31	01VLOTNSR: {51.710, 58.550}	7	139	01ATM_09: {0.000, 0.000}	28
32	01VLOTNSR: {58.550, 65.390}	7	140	01ATM_09: {0.000, 0.000}	28
33	01VLOTNSR: {65.390, 72.230}	7	141	01ATM_10: {0.000, 0.000}	29
34	01VLOTNSR: {72.230, 79.070}	7	142	01ATM_10: {0.000, 0.000}	29
35	01VLOTNSR: {79.070, 85.910}	7	143	01ATM_10: {0.000, 0.000}	29
36	01VLOTNMIN: {17.000, 26.400}	8	144	01ATM_10: {0.000, 0.000}	29
37	01VLOTNMIN: {26.400, 35.800}	8	145	01ATM_10: {0.000, 0.000}	29
38	01VLOTNMIN: {35.800, 45.200}	8	146	01ATM_11: {0.000, 0.200}	30
39	01VLOTNMIN: {45.200, 54.600}	8	147	01ATM_11: {0.200, 0.400}	30
40	01VLOTNMIN: {54.600, 64.000}	8	148	01ATM_11: {0.400, 0.600}	30
41	01VLABS: {4.120, 5.208}	9	149	01ATM_11: {0.600, 0.800}	30
42	01VLABS: {5.208, 6.296}	9	150	01ATM_11: {0.800, 1.000}	30
43	01VLABS: {6.296, 7.384}	9	151	01ATM_12: {0.000, 0.200}	31
44	01VLABS: {7.384, 8.472}	9	152	01ATM_12: {0.200, 0.400}	31
45	01VLABS: {8.472, 9.560}	9	153	01ATM_12: {0.400, 0.600}	31
46	01OSAD_DAY: {0.000, 0.986}	10	154	01ATM_12: {0.600, 0.800}	31
47	01OSAD_DAY: {0.986, 1.972}	10	155	01ATM_12: {0.800, 1.000}	31
48	01OSAD_DAY: {1.972, 2.958}	10	156	01ATM_13: {0.000, 1.600}	32
49	01OSAD_DAY: {2.958, 3.944}	10	157	01ATM_13: {1.600, 3.200}	32
50	01OSAD_DAY: {3.944, 4.930}	10	158	01ATM_13: {3.200, 4.800}	32
51	01OSAD_NIG: {0.000, 0.426}	11	159	01ATM_13: {4.800, 6.400}	32
52	01OSAD_NIG: {0.426, 0.852}	11	160	01ATM_13: {6.400, 8.000}	32
53	01OSAD_NIG: {0.852, 1.278}	11	161	01ATM_14: {0.000, 1.200}	33
54	01OSAD_NIG: {1.278, 1.704}	11	162	01ATM_14: {1.200, 2.400}	33
55	01OSAD_NIG: {1.704, 2.130}	11	163	01ATM_14: {2.400, 3.600}	33
56	01OSAD_SUT: {0.000, 1.384}	12	164	01ATM_14: {3.600, 4.800}	33
57	01OSAD_SUT: {1.384, 2.768}	12	165	01ATM_14: {4.800, 6.000}	33
Код	Условное наименование градации	Код шкалы	Код	Условное наименование градации	Код шкалы
58	01OSAD_SUT: {2.768, 4.152}	12	166	01ATM_15: {0.000, 0.000}	34
59	01OSAD_SUT: {4.152, 5.536}	12	167	01ATM_15: {0.000, 0.000}	34
60	01OSAD_SUT: {5.536, 6.920}	12	168	01ATM_15: {0.000, 0.000}	34
61	01DAVL_STA: {1002.720, 1007.152}	13	169	01ATM_15: {0.000, 0.000}	34
62	01DAVL_STA: {1007.152, 1011.584}	13	170	01ATM_15: {0.000, 0.000}	34
63	01DAVL_STA: {1011.584, 1016.016}	13	171	01ATM_16: {0.000, 0.000}	35
64	01DAVL_STA: {1016.016, 1020.448}	13	172	01ATM_16: {0.000, 0.000}	35
65	01DAVL_STA: {1020.448, 1024.880}	13	173	01ATM_16: {0.000, 0.000}	35
66	01DAVL_SEA: {1003.820, 1008.262}	14	174	01ATM_16: {0.000, 0.000}	35
67	01DAVL_SEA: {1008.262, 1012.704}	14	175	01ATM_16: {0.000, 0.000}	35
68	01DAVL_SEA: {1012.704, 1017.146}	14	176	01ATM_17: {0.000, 0.000}	36
69	01DAVL_SEA: {1017.146, 1021.588}	14	177	01ATM_17: {0.000, 0.000}	36
70	01DAVL_SEA: {1021.588, 1026.030}	14	178	01ATM_17: {0.000, 0.000}	36
71	01OBL_VSEG: {3.170, 4.264}	15	179	01ATM_17: {0.000, 0.000}	36
72	01OBL_VSEG: {4.264, 5.358}	15	180	01ATM_17: {0.000, 0.000}	36
73	01OBL_VSEG: {5.358, 6.452}	15	181	01ATM_18: {0.000, 0.000}	37
74	01OBL_VSEG: {6.452, 7.546}	15	182	01ATM_18: {0.000, 0.000}	37
75	01OBL_VSEG: {7.546, 8.640}	15	183	01ATM_18: {0.000, 0.000}	37
76	01OBL_DOWN: {0.500, 1.760}	16	184	01ATM_18: {0.000, 0.000}	37
77	01OBL_DOWN: {1.760, 3.020}	16	185	01ATM_18: {0.000, 0.000}	37
78	01OBL_DOWN: {3.020, 4.280}	16	186	01ATM_19: {0.000, 0.000}	38
79	01OBL_DOWN: {4.280, 5.540}	16	187	01ATM_19: {0.000, 0.000}	38
80	01OBL_DOWN: {5.540, 6.800}	16	188	01ATM_19: {0.000, 0.000}	38
81	01VETER_AZ: {75.000, 114.000}	17	189	01ATM_19: {0.000, 0.000}	38
82	01VETER_AZ: {114.000, 153.000}	17	190	01ATM_19: {0.000, 0.000}	38
83	01VETER_AZ: {153.000, 192.000}	17	191	01ATM_20: {0.000, 0.000}	39
84	01VETER_AZ: {192.000, 231.000}	17	192	01ATM_20: {0.000, 0.000}	39
85	01VETER_AZ: {231.000, 270.000}	17	193	01ATM_20: {0.000, 0.000}	39
86	01VETER_SK: {2.500, 3.766}	18	194	01ATM_20: {0.000, 0.000}	39
87	01VETER_SK: {3.766, 5.032}	18	195	01ATM_20: {0.000, 0.000}	39
88	01VETER_SK: {5.032, 6.298}	18	196	01ATM_21: {0.000, 0.400}	40
89	01VETER_SK: {6.298, 7.564}	18	197	01ATM_21: {0.400, 0.800}	40
90	01VETER_SK: {7.564, 8.830}	18	198	01ATM_21: {0.800, 1.200}	40
91	01ATM_00: {0.500, 0.514}	19	199	01ATM_21: {1.200, 1.600}	40
92	01ATM_00: {0.514, 0.528}	19	200	01ATM_21: {1.600, 2.000}	40
93	01ATM_00: {0.528, 0.542}	19	201	01ATM_22: {0.000, 0.000}	41
94	01ATM_00: {0.542, 0.556}	19	202	01ATM_22: {0.000, 0.000}	41
95	01ATM_00: {0.556, 0.570}	19	203	01ATM_22: {0.000, 0.000}	41
96	01ATM_01: {0.000, 0.600}	20	204	01ATM_22: {0.000, 0.000}	41
97	01ATM_01: {0.600, 1.200}	20	205	01ATM_22: {0.000, 0.000}	41
98	01ATM_01: {1.200, 1.800}	20	206	01ATM_23: {0.000, 0.000}	42
99	01ATM_01: {1.800, 2.400}	20	207	01ATM_23: {0.000, 0.000}	42
100	01ATM_01: {2.400, 3.000}	20	208	01ATM_23: {0.000, 0.000}	42
101	01ATM_02: {0.000, 2.200}	21	209	01ATM_23: {0.000, 0.000}	42
102	01ATM_02: {2.200, 4.400}	21	210	01ATM_23: {0.000, 0.000}	42
103	01ATM_02: {4.400, 6.600}	21	211	01ATM_24: {0.000, 0.000}	43
104	01ATM_02: {6.600, 8.800}	21	212	01ATM_24: {0.000, 0.000}	43
105	01ATM_02: {8.800, 11.000}	21	213	01ATM_24: {0.000, 0.000}	43
106	01ATM_03: {0.000, 0.200}	22	214	01ATM_24: {0.000, 0.000}	43
107	01ATM_03: {0.200, 0.400}	22	215	01ATM_24: {0.000, 0.000}	43
108	01ATM_03: {0.400, 0.600}	22

4.2.2.2. Получение исходных данных запланированного состава в той форме, в которой они накапливаются в поставляющей их организации (журналы)

В ЗАО Агрофирме "Сад-Гигант" организован и ведется систематический сбор и учет данных, необходимых для осуществления основной деятельности предприятия (плановых мероприятий по подкормке, обработке и уходу за культурами), а также для планирования и прогнозирования будущих результатов деятельности (качества и количества урожая).

Ответственными за этот учет являются:

– метеорологический центр;

– плановый отдел;

– лаборатория;

– отдел маркетинга.

Эти подразделения предоставили информацию по выбранным для обработки показателям. Основной объем этой информации составляли журналы агрономов, которые в данной работе не приводятся из-за большого объема.

4.2.2.3. Разработка электронной формы для представления исходных данных

Для ввода исходных данных (непосредственно из журналов агрономов) была разработана Excel-таблица, горизонтальная шапка которой приводится ниже (таблица 25).

Вертикальная шапка таблицы включает ежедневные данные по каждому из 5 сортов яблок за 10 летний период с 1003 по 2002 годы, всего 18250 строк: 5 сортов ´ 365 дней ´ 10 лет = 18250 строк. Фрагмент таблицы исходных данных приведен на рисунке 32.

При распечатке шириной в один лист в высоту данная таблица составит более 300 листов и по этой причине здесь не приводится.

Таблица 25 – ШАПКА EXCEL-ТАБЛИЦЫ
ДЛЯ ВВОДА ИСХОДНЫХ ДАННЫХ

Дата

Сорт яблок

Результаты выращивания

Фазы

Набухание плодовых почек

Урожай тон/га

1 сорт

2 сорт

3 сорт

Начало

Окончание

date

sort_name

urogay

sort_1

sort_2

sort_3

t1_faza1

t2_faza1

1

2

3

4

5

6

7

8

Фазы

Распускание плодовых почек

Развертывание первых листьев

Обособление бутонов

Цветение

Начало

Окончание

Начало

Окончание

Начало

Окончание

Начало

Окончание

t1_faza2

t2_faza2

t1_faza3

t2_faza3

t1_faza4

t2_faza4

t1_faza5

t2_faza5

9

10

11

12

13

14

15

16

Фазы

Конец цветения

Формирование плодов

Окончание роста побегов

Вызревание древесины

Начало

Окончание

Начало

Окончание

Начало

Окончание

Начало

Окончание

t1_faza6

t2_faza6

t1_faza7

t2_faza7

t1_faza8

t2_faza8

t1_faza9

t2_faza9

17

18

19

20

21

22

23

24

Фазы

Съемная спелость

Осеннее расцвечивание листьев

Листопад

Вторичный рост побегов

Начало

Окончание

Начало

Окончание

Начало

Окончание

Начало

Окончание

t1_faza10

t2_faza10

t1_faza11

t2_faza11

t1_faza12

t2_faza12

t1_faza13

t2_faza13

25

26

27

28

29

30

31

32

Погодные факторы по дням

Температура воздуха

Температура почвы

Относительная влажность

Абсолютная влажность.

Осадки (мм)

Средняя

MAX

MIN

Средняя

MAX

MIN

Средняя

Минимал.

День

Ночь

Сутки

t_vozd_sr

t_vozd_max

t_vozd_min

t_poch_sr

t_poch_max

t_poch_min

vl_otn_sr

vl_otn_min

vl_abs

osad_day

osad_night

osad_sutki

33

34

35

36

37

38

39

40

41

42

43

44

Погодные факторы по дням

Атмосферное явление

Давление (мил.бар)

Облачность

Ветер

На ур. станции

На ур. моря

Общ.

Ниж.

Направление

Скорость

davl_stan

davl_sea

obl_vsego

obl_down

veter_azimut

veter_skor

atm_yvlen

45

46

47

48

49

50

51

Рисунок 32. Фрагмент таблицы исходных данных

4.2.2.4. Преобразование исходных данных в электронную форму

Этот этап работ представляет собой ввод исходных данных из бумажных журналов агрономов в электронную Excel-таблицу (таблица 25) и осуществлялся на компьютере вручную.

4.2.2.5. Контроль достоверности исходных данных и исправление ошибок

После ввода исходных данных в Excel-таблицу, который осуществлялся вручную, было осуществлено автоматическое выявление ошибок ввода нескольких видов:

– среднее значение показателя меньше максимального;

– максимальное значение показателя меньше минимального;

– длительность фенофазы больше года;

– отсутствие данных.

Для этого в Excel-книге, в которой в качестве листа была таблица исходных данных, был создан второй лист "Error", в котором в позициях показателей, отображались пробелы, если показатель верный и ERROR, если он ошибочный.

Затем все ошибочно введенные показатели были исправлены вручную с использованием бумажной формы исходных данных.

4.2.2.6. Преобразование исходных данных из формы по датам в стандартную форму по фенофазам

Эта операция выполняется в несколько этапов:

1. Преобразование Excel-таблицы исходных данных в DBF-файл с именем INP_DATA.DBF.

2. Формирование помежуточной формы INP_FAZA.DBF, соержащей информацию и переиодах начала и окончания каждой фенофазы и номерах соотвсвующих записей в базе данных INP_DATA.DBF по каждому сорту за все годы.

3. Формирование файла данных с именем INP12.DBF, в стандарте внешнего файла системы "Эйдос" (стандарт профессора А.Н.Лебедева).

Для выполнения 1-го этапа:

– удаляется строка 5 с номерами столбцов;

– отмечается блоком часть таблицы со строки 4 с наименованиями полей и до конца таблицы (все столбцы);

– выбирается режим сохранения: "Файл – сохранить как – тип файла: DBF 4 (dBASE IV) *.dbf – имя файла: Inp_data.dbf";

– нажать кнопку "Сохранить".

В результате формируется DBF-файл, содержащий исходные данные, со следующей структурой (таблица 26).

Таблица 26 – СТРУКТУРА DBF-ФАЙЛА
С ИСХОДНЫМИ ДАННЫМИ

№	Наименование поля	Тип дан- ных	Длина поля	Кол-во дес. разр.	№	Наименование поля	Тип дан- ных	Длина поля	Кол-во дес. разр.
1	DATE	D	8	0	27	T1_FAZA11	D	8	0
2	SORT_NAME	C	16	0	28	T2_FAZA11	D	8	0
3	UROGAY	N	8	0	29	T1_FAZA12	D	8	0
4	SORT_1	N	5	0	30	T2_FAZA12	D	8	0
5	SORT_2	N	5	0	31	T1_FAZA13	D	8	0
6	SORT_3	N	5	0	32	T2_FAZA13	D	8	0
7	T1_FAZA1	D	8	0	33	T_VOZD_SR	N	8	1
8	T2_FAZA1	D	8	0	34	T_VOZD_MAX	N	8	1
9	T1_FAZA2	D	8	0	35	T_VOZD_MIN	N	7	1
10	T2_FAZA2	D	8	0	36	T_POCH_SR	N	8	1
11	T1_FAZA3	D	8	0	37	T_POCH_MAX	N	5	1
12	T2_FAZA3	D	8	0	38	T_POCH_MIN	N	6	1
13	T1_FAZA4	D	8	0	39	VL_OTN_SR	N	9	1
14	T2_FAZA4	D	8	0	40	VL_OTN_MIN	N	5	1
15	T1_FAZA5	D	8	0	41	VL_ABS	N	5	1
16	T2_FAZA5	D	8	0	42	OSAD_DAY	N	5	1
17	T1_FAZA6	D	8	0	43	OSAD_NIGHT	N	5	1
18	T2_FAZA6	D	8	0	44	OSAD_SUTKI	N	7	1
19	T1_FAZA7	D	8	0	45	DAVL_STAN	N	9	1
20	T2_FAZA7	D	8	0	46	DAVL_SEA	N	11	1
21	T1_FAZA8	D	8	0	47	OBL_VSEGO	N	6	1
22	T2_FAZA8	D	8	0	48	OBL_DOWN	N	6	1
23	T1_FAZA9	D	8	0	49	VETER_AZIM	N	6	1
24	T2_FAZA9	D	8	0	50	VETER_SKOR	N	5	1
25	T1_FAZA10	D	8	0	51	ATM_YVLEN	N	5	1
26	T2_FAZA10	D	8	0

Для выполнения этапов 2 и 3 применен специально разработанный программный интерфейс, вошедший в состав стандартного инструментария СК-анализа, обеспечивающий преобразование таблицы исходных данных (таблица 25) в стандарт внешней базы данных системы "Эйдос".

Экранная форма программного интерфейса имеет вид (рисунок 33).

Рисунок 33. Экранная форма программного интерфейса
первого уровня с системой "Эйдос"

Программный интерфейс реализован на языке программирования xBASE++, что связано с необходимостью обеспечения полной совместимости по стандарту используемых баз данных с системой "Эйдос", которая написана на этом языке программирования.

Алгоритм программного интерфейса приведен на рисунке 34.

На этапе 2 рассчитываются все метеопоказатели по каждой фенофазе каждого сорта в каждом году на основе их значений за каждый день с учетом периодов фенофаз. Результаты расчета записываются в базе данных INP_FAZA.DBF (таблица 27).

Рисунок 34. Алгоритм программного интерфейса первого уровня
с системой "Эйдос"

Таблица 27 – ТАБЛИЦА ФАКТИЧЕСКИХ ПЕРИОДОВ ФЕНОФАЗ ПО 5 СОРТАМ ЯБЛОК ЗА 1993 – 2002 ГОДЫ (ФРАГМЕНТ)

Год	Сорт	Фенофаза
		№	Начало	Окончание	Начальный № записи	Конечный № записи
1993	Джонатан	1	24.03.93	31.03.93	7387	7394
1993	Джонатан	2	04.04.93	10.04.93	7398	7404
1993	Джонатан	3	14.04.93	20.04.93	7408	7414
1993	Джонатан	4	24.04.93	30.04.93	7418	7424
1993	Джонатан	5	30.04.93	03.05.93	7424	7427
1993	Джонатан	6	14.05.93	17.05.93	7438	7441
1993	Джонатан	7	24.05.93	27.05.93	7448	7451
1993	Джонатан	8	30.06.93	31.12.93	7485	7669
1993	Джонатан	9	10.09.93	20.10.93	7557	7597
1993	Джонатан	10	24.09.93	28.09.93	7571	7575
1993	Джонатан	11	20.10.93	29.10.93	7597	7606
1993	Джонатан	12	04.11.93	31.12.93	7612	7669
1993	Джонатан	13	10.08.93	31.12.93	7526	7669
1993	Ред Делишес	1	14.03.93	20.03.93	3725	3731
1993	Ред Делишес	2	01.04.93	06.04.93	3743	3748
1993	Ред Делишес	3	10.04.93	16.04.93	3752	3758
1993	Ред Делишес	4	20.04.93	25.04.93	3762	3767
1993	Ред Делишес	5	30.04.93	01.05.93	3772	3773
1993	Ред Делишес	6	11.05.93	13.05.93	3783	3785
1993	Ред Делишес	7	20.05.93	24.05.93	3792	3796
1993	Ред Делишес	8	25.06.93	31.12.93	3828	4017
1993	Ред Делишес	9	05.09.93	15.10.93	3900	3940
1993	Ред Делишес	10	20.09.93	24.09.93	3915	3919
1993	Ред Делишес	11	16.10.93	25.10.93	3941	3950
1993	Ред Делишес	12	01.11.93	31.12.93	3957	4017
1993	Ред Делишес	13	05.08.93	31.12.93	3869	4017
1993	Ренет Симеренко	1	20.03.93	31.03.93	79	90
1993	Ренет Симеренко	2	04.04.93	10.04.93	94	100
1993	Ренет Симеренко	3	14.04.93	20.04.93	104	110
1993	Ренет Симеренко	4	24.04.93	30.04.93	114	120
1993	Ренет Симеренко	5	30.04.93	03.05.93	120	123
1993	Ренет Симеренко	6	14.05.93	17.05.93	134	137
1993	Ренет Симеренко	7	24.05.93	27.05.93	144	147
1993	Ренет Симеренко	8	30.06.93	31.12.93	181	365
1993	Ренет Симеренко	9	10.09.93	20.10.93	253	293
1993	Ренет Симеренко	10	24.09.93	28.09.93	267	271
1993	Ренет Симеренко	11	20.10.93	29.10.93	293	302
1993	Ренет Симеренко	12	04.11.93	31.12.93	308	365
1993	Ренет Симеренко	13	10.08.93	31.12.93	222	365
1993	Ренет Шампанское	1	25.03.93	30.03.93	14692	14697
1993	Ренет Шампанское	2	04.04.93	10.04.93	14702	14708
1993	Ренет Шампанское	3	20.04.93	25.04.93	14718	14723
1993	Ренет Шампанское	4	26.04.93	30.04.93	14724	14728
1993	Ренет Шампанское	5	30.04.93	07.05.93	14728	14735
1993	Ренет Шампанское	6	08.05.93	11.05.93	14736	14739
1993	Ренет Шампанское	7	12.05.93	18.05.93	14740	14746
Год	Сорт	Фенофаза
		№	Начало	Окончание	Начальный № записи	Конечный № записи
1993	Ренет Шампанское	8	10.06.93	31.12.93	14769	14973
1993	Ренет Шампанское	9	20.08.93	26.10.93	14840	14907
1993	Ренет Шампанское	10	25.08.93	30.08.93	14845	14850
1993	Ренет Шампанское	11	20.09.93	29.09.93	14871	14880
1993	Ренет Шампанское	12	04.11.93	31.12.93	14916	14973
1993	Ренет Шампанское	13	11.08.93	31.12.93	14831	14973
1993	Старкрымсон	1	10.03.93	15.03.93	11025	11030
1993	Старкрымсон	2	04.04.93	10.04.93	11050	11056
1993	Старкрымсон	3	14.04.93	20.04.93	11060	11066
1993	Старкрымсон	4	24.04.93	30.04.93	11070	11076
1993	Старкрымсон	5	30.04.93	03.05.93	11076	11079
1993	Старкрымсон	6	05.05.93	10.05.93	11081	11086
1993	Старкрымсон	7	12.05.93	18.05.93	11088	11094
1993	Старкрымсон	8	10.06.93	31.12.93	11117	11321
1993	Старкрымсон	9	10.08.93	20.10.93	11178	11249
1993	Старкрымсон	13	10.08.93	31.12.93	11178	11321

Окончательные результаты расчета приведены в базе данных INP12.DBF (таблица 28), являющейся входной для системы "Эйдос".

Таблица 28 – СТРУКТУРА БАЗЫ INP12.DBF С ИСХОДНЫМИ
ДАННЫМИ ПО РЕЗУЛЬТАТАМ ВЫРАЩИВАНИЯ
И МЕТЕОПАРАМЕТРАМИ ПО ФЕНОФАЗАМ
(5 СОРТОВ ЯБЛОК ЗА 1993 – 2002 ГОДЫ – ФРАГМЕНТ)

№	Имя поля	Тип поля	Длина поля	Дес.разр.	№	Имя поля	Тип поля	Длина поля	Дес.разр.	№	Имя поля	Тип поля	Длина поля	Дес.разр.
1	NUM_GOD	C	12	0
2	NAME_UR_VS	C	65	0
3	NAME_UR_S1	C	65	0
4	NAME_UR_S2	C	65	0
5	NAME_UR_S3	C	65	0
6	01TVOZDSR	N	13	2	49	02TVOZDSR	N	13	2	92	03TVOZDSR	N	13	2
7	01TVOZDMAX	N	13	2	50	02TVOZDMAX	N	13	2	93	03TVOZDMAX	N	13	2
8	01TVOZDMIN	N	13	2	51	02TVOZDMIN	N	13	2	94	03TVOZDMIN	N	13	2
9	01TPOCHSR	N	13	2	52	02TPOCHSR	N	13	2	95	03TPOCHSR	N	13	2
10	01TPOCHMAX	N	13	2	53	02TPOCHMAX	N	13	2	96	03TPOCHMAX	N	13	2
11	01TPOCHMIN	N	13	2	54	02TPOCHMIN	N	13	2	97	03TPOCHMIN	N	13	2
12	01VLOTNSR	N	13	2	55	02VLOTNSR	N	13	2	98	03VLOTNSR	N	13	2
13	01VLOTNMIN	N	13	2	56	02VLOTNMIN	N	13	2	99	03VLOTNMIN	N	13	2
14	01VLABS	N	13	2	57	02VLABS	N	13	2	100	03VLABS	N	13	2
15	01OSAD_DAY	N	13	2	58	02OSAD_DAY	N	13	2	101	03OSAD_DAY	N	13	2
16	01OSAD_NIG	N	13	2	59	02OSAD_NIG	N	13	2	102	03OSAD_NIG	N	13	2
17	01OSAD_SUT	N	13	2	60	02OSAD_SUT	N	13	2	103	03OSAD_SUT	N	13	2
18	01DAVL_STA	N	13	2	61	02DAVL_STA	N	13	2	104	03DAVL_STA	N	13	2
19	01DAVL_SEA	N	13	2	62	02DAVL_SEA	N	13	2	105	03DAVL_SEA	N	13	2
20	01OBL_VSEG	N	13	2	63	02OBL_VSEG	N	13	2	106	03OBL_VSEG	N	13	2
21	01OBL_DOWN	N	13	2	64	02OBL_DOWN	N	13	2	107	03OBL_DOWN	N	13	2
22	01VETER_AZ	N	13	2	65	02VETER_AZ	N	13	2	108	03VETER_AZ	N	13	2
23	01VETER_SK	N	13	2	66	02VETER_SK	N	13	2	109	03VETER_SK	N	13	2
№	Имя поля	Тип поля	Длина поля	Дес.разр.	№	Имя поля	Тип поля	Длина поля	Дес.разр.	№	Имя поля	Тип поля	Длина поля	Дес.разр.
24	01ATM_00	N	13	2	67	02ATM_00	N	13	2	110	03ATM_00	N	13	2
25	01ATM_01	N	13	2	68	02ATM_01	N	13	2	111	03ATM_01	N	13	2
26	01ATM_02	N	13	2	69	02ATM_02	N	13	2	112	03ATM_02	N	13	2
27	01ATM_03	N	13	2	70	02ATM_03	N	13	2	113	03ATM_03	N	13	2
28	01ATM_04	N	13	2	71	02ATM_04	N	13	2	114	03ATM_04	N	13	2
29	01ATM_05	N	13	2	72	02ATM_05	N	13	2	115	03ATM_05	N	13	2
30	01ATM_06	N	13	2	73	02ATM_06	N	13	2	116	03ATM_06	N	13	2
31	01ATM_07	N	13	2	74	02ATM_07	N	13	2	117	03ATM_07	N	13	2
32	01ATM_08	N	13	2	75	02ATM_08	N	13	2	118	03ATM_08	N	13	2
33	01ATM_09	N	13	2	76	02ATM_09	N	13	2	119	03ATM_09	N	13	2
34	01ATM_10	N	13	2	77	02ATM_10	N	13	2	120	03ATM_10	N	13	2
35	01ATM_11	N	13	2	78	02ATM_11	N	13	2	121	03ATM_11	N	13	2
36	01ATM_12	N	13	2	79	02ATM_12	N	13	2	122	03ATM_12	N	13	2
37	01ATM_13	N	13	2	80	02ATM_13	N	13	2	123	03ATM_13	N	13	2
38	01ATM_14	N	13	2	81	02ATM_14	N	13	2	124	03ATM_14	N	13	2
39	01ATM_15	N	13	2	82	02ATM_15	N	13	2	125	03ATM_15	N	13	2
40	01ATM_16	N	13	2	83	02ATM_16	N	13	2	126	03ATM_16	N	13	2
41	01ATM_17	N	13	2	84	02ATM_17	N	13	2	127	03ATM_17	N	13	2
42	01ATM_18	N	13	2	85	02ATM_18	N	13	2	128	03ATM_18	N	13	2
43	01ATM_19	N	13	2	86	02ATM_19	N	13	2	129	03ATM_19	N	13	2
44	01ATM_20	N	13	2	87	02ATM_20	N	13	2	130	03ATM_20	N	13	2
45	01ATM_21	N	13	2	88	02ATM_21	N	13	2	131	03ATM_21	N	13	2
46	01ATM_22	N	13	2	89	02ATM_22	N	13	2	132	03ATM_22	N	13	2
47	01ATM_23	N	13	2	90	02ATM_23	N	13	2	133	03ATM_23	N	13	2
48	01ATM_24	N	13	2	91	02ATM_24	N	13	2	134	03ATM_24	N	13	2

В таблице 28 приведены наименования полей для 3 фенофаз, а в структуре базы данных INP12.DBF они есть для всех 13 фенофаз.

Расшифровка смысла полей, соответствующих классам и признакам (на примере 1-й фазы) приведена в таблице 29.

Таблица 29 – РАСШИФРОВКА СМЫСЛА ПОЛЕЙ,
СООТВЕТСТВУЮЩИХ КЛАССАМ И ПРИЗНАКАМ
(НА ПРИМЕРЕ 1-Й ФАЗЫ)

№	Имя поля	Смысл информации, содержащейся в поле
1	NUM_GOD	Номер примера выращивания и год, за который пример
2	NAME_UR_VS	Наименование сорта и урожайность (всего)
3	NAME_UR_S1	Наименование сорта и урожайность (по 1-му сорту)
4	NAME_UR_S2	Наименование сорта и урожайность (по 2-му сорту)
5	NAME_UR_S3	Наименование сорта и урожайность (по 3-му сорту)
6	01TVOZDSR	Температура воздуха средняя (°С)
7	01TVOZDMAX	Температура воздуха максимальная (°С)
8	01TVOZDMIN	Температура воздуха минимальная (°С)
9	01TPOCHSR	Температура почвы средняя (°С)
10	01TPOCHMAX	Температура почвы максимальная (°С)
11	01TPOCHMIN	Температура почвы минимальная (°С)
12	01VLOTNSR	Влажность относительная средняя
13	01VLOTNMIN	Влажность относительная минимальная
14	01VLABS	Влажность абсолютная
15	01OSAD_DAY	Количество осадков днем
16	01OSAD_NIG	Количество осадков за ночь
17	01OSAD_SUT	Количество осадков за сутки
№	Имя поля	Смысл информации, содержащейся в поле
18	01DAVL_STA	Атмосферное давление на уровне метеостанции
19	01DAVL_SEA	Атмосферное давление на уровне моря
20	01OBL_VSEG	Облачность всего
21	01OBL_DOWN	Облачность низкая
22	01VETER_AZ	Ветер азимут (способ кодирования в таблица 21)
23	01VETER_SK	Ветер скорость
24	01ATM_00	Штиль
25	01ATM_01	Дождь
26	01ATM_02	Ливневый дождь
27	01ATM_03	Морось
28	01ATM_04	Снег
29	01ATM_05	Ливневый снег
30	01ATM_06	Снежная крупа
31	01ATM_07	Снежные зерна
32	01ATM_08	Ледяная крупа
33	01ATM_09	Ледяной дождь
34	01ATM_10	Град
35	01ATM_11	Мокрый снег
36	01ATM_12	Ливневый мокрый снег
37	01ATM_13	Роса
38	01ATM_14	Иней
39	01ATM_15	Гололед
40	01ATM_16	Зернистая изморось
41	01ATM_17	Кристаллическая изморось
42	01ATM_18	Гололедица
43	01ATM_19	Туман
44	01ATM_20	Просвечивающийся туман
45	01ATM_21	Дымка
46	01ATM_22	Гроза
47	01ATM_23	Зарница
48	01ATM_24	Шквал

4.2.2.7. Импорт исходных данных из стандартной формы по фенофазам в базы данных системы "Эйдос"

Для этой цели использовался встроенный в систему "Эйдос" стандартный программный интерфейс с внешней базой данных (рисунки 35, 36) INP12.DBF. Структура этой базы данных приведена в таблице 28.

Рисунок 35. Выход на режим импорта данных из внешней
базы данных стандарта профессора А.Н.Лебедева

Рисунок 36. Экранная форма интерфейса импорта данных из внешней базы данных стандарта профессора А.Н.Лебедева

При этом автоматически формируются и вводятся в соответствующие базы данных системы "Эйдос" классификационные и описательные шкалы и градации, а также обучающая выборка, приведенные в таблицах 22 – 29.

4.2.3. Синтез семантической информационной модели, ее оптимизация и проверка на адекватность

4.2.3.1. Синтез семантической информационной модели (СИМ)

Синтез семантической информационной модели (СИМ) осуществляется в 5-м режиме 2-й подсистемы системы "Эйдос" (рисунок 37).

Рисунок 37. Синтез семантической информационной модели

4.2.3.2. Оптимизация СИМ

Оптимизация семантической информационной модели состоит в исключении из нее факторов, не оказывающих существенного влияния на получение тех или иных результатов выращивания исследуемых сельхозкультур. Рассмотрим график, приведенный на рисунке 38.

Рисунок 38. № Паретто-кривая "Сила влияния градаций факторов
на получение различных результатов выращивания"

Видно, что примерно половина всех градаций факторов (1400 из 2795) суммарно оказывает около 95% влияния, а другая половина – не более 5% влияния, т.е. практически никакого влияния не оказывает. Это значит, что градации факторов, входящие в эту вторую половину, могут быть без какого-либо ущерба для адекватности модели быть исключены из нее. В этом и состоит оптимизация модели в данном случае.

В результате оптимизации модели резко сокращается ее размерность и резко сокращается время решения задач и объем используемой для баз данных и индексных массивов внешней памяти.

4.2.3.3. Измерение адекватности СИМ

Измерение адекватности СИМ состоит в измерении внутренней и внешней, дифференциальной и интегральной валидности.

4.2.3.3.1. Внутренняя дифференциальная и интегральная валидность

Под внутренней валидностью понимается способность модели верно идентифицировать объекты, входящие в обучающую выборку.

Для измерения адекватности модели необходимо выполнить следующие действия:

1. Скопировать обучающую выборку в распознаваемую (во 1-м режиме 2-й подсистемы нажав клавишу F5).

2. Выполнить пакетное распознавание (во 2-м режиме 4-й подсистемы, задав 1-й критерий сходства) (рисунок 39).

3. Измерить адекватность модели (во 2-м режиме 6-й подсистемы) (рисунки 40 и 41).

Рисунок 39. Выход на режим пакетного распознавания

Рисунок 40. Выход на режим измерения адекватности

семантической информационной модели системы "Эйдос"

Рисунок 41. Экранная форма управления измерением адекватности модели и отображения результатов

Эта форма может прокучиваться вниз-вверх и вправо-влево. В верхней части формы приведены показатели интегральной валидности (средневзвешенные по всей обучающей выборке), а в самой таблице – дифференциальной валидности, т.е. в разрезе по классам.

Кроме того, результаты измерения адекватности модели выводятся в форме файлов с именами ValidSys.txt (таблица 30) и ValAnkSt.txt (рисунок 42) стандарта "TXT-текст DOS" в поддиректории TXT.

Таблица 30 – ИЗМЕРЕНИЕ АДЕКВАТНОСТИ
СЕМАНТИЧЕСКОЙ ИНФОРМАЦИОННОЙ МОДЕЛИ

Анкет физических: 50 логических (всего/факт): 200/ 200

Верная идентификация: 196 Ошибочная неидентификация: 4

Верная идентификация: 98.00% Ошибочная неидентификация: 2.00%

Минимальный уровень сходства: 0.0 Максимальное кол-во классов: 99999

19-05-04 23:58:24 г.Краснодар

Код класса	Наименование класса	Всего логич анкет	Идентифи- цировано		Неиденти- фицировано		Идентифи- цировано		Неиденти- фицировано
			Верно	Ошиб.	Верно	Ошиб.	Верно%	Ошиб.%	Верно%	Ошиб.%
1	Джонатан (всего) - урожай: 10.00	2	2	8	40	0	100.00	4.04	20.20	0.00
2	Джонатан (всего) - урожай: 11.00	1	1	48	1	0	100.00	24.12	0.50	0.00
3	Джонатан (всего) - урожай: 12.00	2	2	8	40	0	100.00	4.04	20.20	0.00
4	Джонатан (всего) - урожай: 13.00	1	1	30	19	0	100.00	15.08	9.55	0.00
5	Джонатан (всего) - урожай: 14.00	1	1	32	17	0	100.00	16.08	8.54	0.00
6	Джонатан (всего) - урожай: 15.00	2	2	8	40	0	100.00	4.04	20.20	0.00
7	Джонатан (всего) - урожай: 5.00	1	1	26	23	0	100.00	13.07	11.56	0.00
8	Ред Делишес (всего) - урожай: 10.00	1	1	28	21	0	100.00	14.07	10.55	0.00
Код класса	Наименование класса	Всего логич анкет	Идентифи- цировано		Неиденти- фицировано		Идентифи- цировано		Неиденти- фицировано
			Верно	Ошиб.	Верно	Ошиб.	Верно%	Ошиб.%	Верно%	Ошиб.%
9	Ред Делишес (всего) - урожай: 14.00	1	1	20	29	0	100.00	10.05	14.57	0.00
10	Ред Делишес (всего) - урожай: 15.00	2	2	9	39	0	100.00	4.55	19.70	0.00
11	Ред Делишес (всего) - урожай: 16.00	2	2	8	40	0	100.00	4.04	20.20	0.00
12	Ред Делишес (всего) - урожай: 18.00	1	1	12	37	0	100.00	6.03	18.59	0.00
13	Ред Делишес (всего) - урожай: 19.00	1	1	46	3	0	100.00	23.12	1.51	0.00
14	Ред Делишес (всего) - урожай: 24.00	1	1	21	28	0	100.00	10.55	14.07	0.00
15	Ред Делишес (всего) - урожай: 27.00	1	1	23	26	0	100.00	11.56	13.07	0.00
16	Ренет Симеренко (всего) - урожай: 12.00	1	1	29	20	0	100.00	14.57	10.05	0.00
17	Ренет Симеренко (всего) - урожай: 15.00	1	1	25	24	0	100.00	12.56	12.06	0.00
18	Ренет Симеренко (всего) - урожай: 16.00	1	1	31	18	0	100.00	15.58	9.05	0.00
19	Ренет Симеренко (всего) - урожай: 17.00	1	1	48	1	0	100.00	24.12	0.50	0.00
20	Ренет Симеренко (всего) - урожай: 20.00	2	2	8	40	0	100.00	4.04	20.20	0.00
21	Ренет Симеренко (всего) - урожай: 22.00	1	1	32	17	0	100.00	16.08	8.54	0.00
22	Ренет Симеренко (всего) - урожай: 28.00	1	1	29	20	0	100.00	14.57	10.05	0.00
23	Ренет Симеренко (всего) - урожай: 3.00	1	1	43	6	0	100.00	21.61	3.02	0.00
24	Ренет Симеренко (всего) - урожай: 4.00	1	1	26	23	0	100.00	13.07	11.56	0.00
25	Ренет Шампанское (всего) - урожай: 10.00	1	1	41	8	0	100.00	20.60	4.02	0.00
26	Ренет Шампанское (всего) - урожай: 14.00	1	1	40	9	0	100.00	20.10	4.52	0.00
27	Ренет Шампанское (всего) - урожай: 15.00	1	1	33	16	0	100.00	16.58	8.04	0.00
28	Ренет Шампанское (всего) - урожай: 17.00	2	2	19	29	0	100.00	9.60	14.65	0.00
29	Ренет Шампанское (всего) - урожай: 21.00	1	1	35	14	0	100.00	17.59	7.04	0.00
30	Ренет Шампанское (всего) - урожай: 22.00	1	1	38	11	0	100.00	19.10	5.53	0.00
31	Ренет Шампанское (всего) - урожай: 23.00	1	1	27	22	0	100.00	13.57	11.06	0.00
32	Ренет Шампанское (всего) - урожай: 25.00	1	1	35	14	0	100.00	17.59	7.04	0.00
33	Ренет Шампанское (всего) - урожай: 27.00	1	1	32	17	0	100.00	16.08	8.54	0.00
34	Старкрымсон (всего) - урожай: 10.00	1	1	34	15	0	100.00	17.09	7.54	0.00
35	Старкрымсон (всего) - урожай: 12.00	2	2	10	38	0	100.00	5.05	19.19	0.00
36	Старкрымсон (всего) - урожай: 15.00	2	2	8	40	0	100.00	4.04	20.20	0.00
37	Старкрымсон (всего) - урожай: 16.00	2	2	9	39	0	100.00	4.55	19.70	0.00
38	Старкрымсон (всего) - урожай: 18.00	1	1	47	2	0	100.00	23.62	1.01	0.00
39	Старкрымсон (всего) - урожай: 20.00	1	1	21	28	0	100.00	10.55	14.07	0.00
40	Старкрымсон (всего) - урожай: 9.00	1	1	40	9	0	100.00	20.10	4.52	0.00
41	Джонатан (1-й сорт) - урожай: 12.00	3	3	9	38	0	100.00	4.57	19.29	0.00
42	Джонатан (1-й сорт) - урожай: 13.00	1	1	26	23	0	100.00	13.07	11.56	0.00
43	Джонатан (1-й сорт) - урожай: 14.00	2	2	10	38	0	100.00	5.05	19.19	0.00
44	Джонатан (1-й сорт) - урожай: 3.00	1	1	26	23	0	100.00	13.07	11.56	0.00
45	Джонатан (1-й сорт) - урожай: 7.00	1	1	43	6	0	100.00	21.61	3.02	0.00
46	Джонатан (1-й сорт) - урожай: 9.00	2	2	8	40	0	100.00	4.04	20.20	0.00
47	Ред Делишес (1-й сорт) - урожай: 13.00	1	1	20	29	0	100.00	10.05	14.57	0.00
48	Ред Делишес (1-й сорт) - урожай: 14.00	2	2	9	39	0	100.00	4.55	19.70	0.00
49	Ред Делишес (1-й сорт) - урожай: 15.00	2	2	8	40	0	100.00	4.04	20.20	0.00
50	Ред Делишес (1-й сорт) - урожай: 17.00	1	1	12	37	0	100.00	6.03	18.59	0.00
51	Ред Делишес (1-й сорт) - урожай: 18.00	1	1	46	3	0	100.00	23.12	1.51	0.00
52	Ред Делишес (1-й сорт) - урожай: 23.00	1	1	21	28	0	100.00	10.55	14.07	0.00
53	Ред Делишес (1-й сорт) - урожай: 25.00	1	1	23	26	0	100.00	11.56	13.07	0.00
54	Ред Делишес (1-й сорт) - урожай: 9.00	1	1	28	21	0	100.00	14.07	10.55	0.00
55	Ренет Симеренко (1-й сорт) - урожай: 11.00	1	1	29	20	0	100.00	14.57	10.05	0.00
56	Ренет Симеренко (1-й сорт) - урожай: 14.00	2	2	8	40	0	100.00	4.04	20.20	0.00
57	Ренет Симеренко (1-й сорт) - урожай: 15.00	1	1	48	1	0	100.00	24.12	0.50	0.00
58	Ренет Симеренко (1-й сорт) - урожай: 18.00	2	2	8	40	0	100.00	4.04	20.20	0.00
59	Ренет Симеренко (1-й сорт) - урожай: 19.00	1	1	32	17	0	100.00	16.08	8.54	0.00
60	Ренет Симеренко (1-й сорт) - урожай: 26.00	1	1	29	20	0	100.00	14.57	10.05	0.00
61	Ренет Симеренко (1-й сорт) - урожай: 3.00	2	2	8	40	0	100.00	4.04	20.20	0.00
62	Ренет Шампанское (1-й сорт) - урожай: 13.00	2	2	13	35	0	100.00	6.57	17.68	0.00
Код класса	Наименование класса	Всего логич анкет	Идентифи- цировано		Неиденти- фицировано		Идентифи- цировано		Неиденти- фицировано
			Верно	Ошиб.	Верно	Ошиб.	Верно%	Ошиб.%	Верно%	Ошиб.%
63	Ренет Шампанское (1-й сорт) - урожай: 15.00	1	1	33	16	0	100.00	16.58	8.04	0.00
64	Ренет Шампанское (1-й сорт) - урожай: 16.00	1	1	48	1	0	100.00	24.12	0.50	0.00
65	Ренет Шампанское (1-й сорт) - урожай: 19.00	1	1	35	14	0	100.00	17.59	7.04	0.00
66	Ренет Шампанское (1-й сорт) - урожай: 20.00	2	2	9	39	0	100.00	4.55	19.70	0.00
67	Ренет Шампанское (1-й сорт) - урожай: 24.00	2	2	12	36	0	100.00	6.06	18.18	0.00
68	Ренет Шампанское (1-й сорт) - урожай: 8.00	1	1	41	8	0	100.00	20.60	4.02	0.00
69	Старкрымсон (1-й сорт) - урожай: 11.00	2	2	10	38	0	100.00	5.05	19.19	0.00
70	Старкрымсон (1-й сорт) - урожай: 13.00	1	1	26	23	0	100.00	13.07	11.56	0.00
71	Старкрымсон (1-й сорт) - урожай: 14.00	3	3	8	39	0	100.00	4.06	19.80	0.00
72	Старкрымсон (1-й сорт) - урожай: 17.00	2	2	10	38	0	100.00	5.05	19.19	0.00
73	Старкрымсон (1-й сорт) - урожай: 7.00	1	1	34	15	0	100.00	17.09	7.54	0.00
74	Старкрымсон (1-й сорт) - урожай: 8.00	1	1	40	9	0	100.00	20.10	4.52	0.00
75	Джонатан (2-й сорт) - урожай: 0.00	1	1	32	17	0	100.00	16.08	8.54	0.00
76	Джонатан (2-й сорт) - урожай: 1.00	7	7	7	36	0	100.00	3.63	18.65	0.00
77	Джонатан (2-й сорт) - урожай: 15.00	1	1	48	1	0	100.00	24.12	0.50	0.00
78	Джонатан (2-й сорт) - урожай: 2.00	1	1	43	6	0	100.00	21.61	3.02	0.00
79	Ред Делишес (2-й сорт) - урожай: 1.00	9	6	0	41	3	66.67	0.00	21.47	33.33
80	Ред Делишес (2-й сорт) - урожай: 2.00	1	1	23	26	0	100.00	11.56	13.07	0.00
81	Ренет Симеренко (2-й сорт) - урожай: 0.00	2	2	8	40	0	100.00	4.04	20.20	0.00
82	Ренет Симеренко (2-й сорт) - урожай: 1.00	5	5	6	39	0	100.00	3.08	20.00	0.00
83	Ренет Симеренко (2-й сорт) - урожай: 2.00	3	3	10	37	0	100.00	5.08	18.78	0.00
84	Ренет Шампанское (2-й сорт) - урожай: 1.00	5	5	2	43	0	100.00	1.03	22.05	0.00
85	Ренет Шампанское (2-й сорт) - урожай: 2.00	4	4	2	44	0	100.00	1.02	22.45	0.00
86	Ренет Шампанское (2-й сорт) - урожай: 3.00	1	1	27	22	0	100.00	13.57	11.06	0.00
87	Старкрымсон (2-й сорт) - урожай: 1.00	8	8	0	42	0	100.00	0.00	21.88	0.00
88	Старкрымсон (2-й сорт) - урожай: 2.00	1	1	34	15	0	100.00	17.09	7.54	0.00
89	Старкрымсон (2-й сорт) - урожай: 3.00	1	1	21	28	0	100.00	10.55	14.07	0.00
90	Джонатан (3-й сорт) - урожай: 0.00	7	7	8	35	0	100.00	4.15	18.13	0.00
91	Джонатан (3-й сорт) - урожай: 1.00	3	3	11	36	0	100.00	5.58	18.27	0.00
92	Ред Делишес (3-й сорт) - урожай: 0.00	7	6	2	41	1	85.71	1.04	21.24	14.29
93	Ред Делишес (3-й сорт) - урожай: 1.00	3	3	2	45	0	100.00	1.02	22.84	0.00
94	Ренет Симеренко (3-й сорт) - урожай: 0.00	7	7	12	31	0	100.00	6.22	16.06	0.00
95	Ренет Симеренко (3-й сорт) - урожай: 1.00	3	3	7	40	0	100.00	3.55	20.30	0.00
96	Ренет Шампанское (3-й сорт) - урожай: 0.00	2	2	22	26	0	100.00	11.11	13.13	0.00
97	Ренет Шампанское (3-й сорт) - урожай: 1.00	8	8	0	42	0	100.00	0.00	21.88	0.00
98	Старкрымсон (3-й сорт) - урожай: 0.00	4	4	2	44	0	100.00	1.02	22.45	0.00
99	Старкрымсон (3-й сорт) - урожай: 1.00	6	6	0	44	0	100.00	0.00	22.68	0.00

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

Рисунок 42. Фрагмент выходной формы ValAnkSt.txt с результатами измерения адекватности модели и отображения результатов

В данной форме приведены коды анкет обучающей выборки, которые были учтены в каждой графе предыдущей формы по каждому классу.

Форма, приведенная в таблице 30, рассчитывается как средневзвешенная на основе карточек прогнозирования, представленных на рисунке 43.

Рисунок 43. Пример карточки прогнозирования количественных
и качественных результатов выращивания всех сортов яблок
для заданного года (1993)

При этом результаты измерения валидности СИМ зависят от количества классов из карточек распознавания, засчитываемых как верно идентифицированные. График эмпирической зависимости валидности СИМ от этого параметра приведен на рисунке 44.

Рисунок 44. Эмпирическая зависимость валидности СИМ
от количества классов из карточек распознавания,
засчитываемых как верно идентифицированные

"Факторные портреты" тех лет, в которые был получен данный конкретный количественный и качественный результат выращивания данного сорта (рисунок 45), обобщены системой, в результате чего сформирован обобщенный информационный портрет системы факторов, действие которых приводит к данному результату (рисунок 46). Эта задача иногда называется задачей "Типизации лет".

Рисунок 45. Пример карточки прогнозирования конкретного
результата выращивания данного сорта яблок
за 10 лет (с 1993 по 2003)

Рисунок 46. Фрагмент информационного портрета класса
(конкретного результат выращивания заданного сорта)

Если задача типизации лет решена, то на основе нее может решаться задача оценки эффективности выращивания определенного заданного сорта в заданной конкретной зоне и микрозоне выращивания. На основе этого для каждой микрозоны может быть определен оптимальный сорт, и для каждого сорта - оптимальные микрозоны.

Рассмотрим, что означают графы выходной формы, представленной в таблице 30.

"Всего логических анкет" – это количество анкет (примеров текстов) в обучающей выборке, на основе которых формировался образ данного класса.

"Идентифицировано верно" – это количество анкет обучающей выборки, которые идентифицированы как классы, к которым они действительно относятся.

"Идентифицировано ошибочно" – это количество анкет обучающей выборки, которые идентифицированы как классы, к которым они в действительности не относятся (ошибка идентификации).

"Неидентифицировано верно" – это количество анкет обучающей выборки, которые неидентифицированы как классы, к которым они действительно не относятся.

"Неидентифицировано ошибочно" – это количество анкет обучающей выборки, которые неидентифицированы как классы, к которым они в действительности относятся (ошибка неидентфикации).

В правой части формы приведены те же показатели, но в процентом выражении:

– для анкет, идентифицированных верно и неидентифицированных ошибочно за 100% принимается количество логических анкет обучающей выборки по данному классу;

– для анкет, идентифицированных ошибочно и неидентифицированных верно за 100% принимается суммарное количество логических анкет обучающей выборки за вычетом логических анкет по данному классу.

4.2.3.3.2. Внешняя дифференциальная и интегральная валидность

Под внешней валидностью понимается способность модели верно идентифицировать объекты, не входящие в обучающую выборку, но относящиеся к генеральной совокупности, по отношению к которой она репрезентативна.

Для измерения внешней валидности необходимо выполнить следующие действия:

1. В режиме измерения адекватности модели запустить режим измерения внешней валидности (нажав F8 Измерение внешней валидности) (рисунок 41).

2. Выбрать один из режимов удаления объектов обучающей выборки, приведенный на экранной форме (рисунок 47) (бутстрепный метод).

Внешняя валидность модели не измерялась, т.к. по каждому результату выращивания по данным обучающей выборки было представлено, как правило, всего несколько примеров (рисунок 48 и таблица 31).

Рисунок 47. Режим переноса анкет обучающей выборки
в распознаваемую для измерения внешней валидности

Рисунок 48. Частотное распределение объектов обучающей выборки по классам (количественным и качественным результатам выращивания различных сортов яблок)

Таблица 31 – ЧАСТОТНОЕ РАСПРЕДЕЛЕНИЕ ОБЪЕКТОВ ОБУЧАЮЩЕЙ ВЫБОРКИ ПО КЛАССАМ (КОЛИЧЕСТВЕННЫМ И КАЧЕСТВЕННЫМ РЕЗУЛЬТАТАМ ВЫРАЩИВАНИЯ РАЗЛИЧНЫХ СОРТОВ ЯБЛОК)

№	Код	Наименование класса	% от кол-ва примеров	Абс. кол-во
1	79	Ред Делишес (2-й сорт) - урожай: 1.00	18,000	9
2	87	Старкрымсон (2-й сорт) - урожай: 1.00	16,000	8
3	97	Ренет Шампанское (3-й сорт) - урожай: 1.00	16,000	8
4	76	Джонатан (2-й сорт) - урожай: 1.00	14,000	7
5	90	Джонатан (3-й сорт) - урожай: 0.00	14,000	7
6	92	Ред Делишес (3-й сорт) - урожай: 0.00	14,000	7
7	94	Ренет Симеренко (3-й сорт) - урожай: 0.00	14,000	7
8	99	Старкрымсон (3-й сорт) - урожай: 1.00	12,000	6
9	82	Ренет Симеренко (2-й сорт) - урожай: 1.00	10,000	5
10	84	Ренет Шампанское (2-й сорт) - урожай: 1.00	10,000	5
11	85	Ренет Шампанское (2-й сорт) - урожай: 2.00	8,000	4
12	98	Старкрымсон (3-й сорт) - урожай: 0.00	8,000	4
13	41	Джонатан (1-й сорт) - урожай: 12.00	6,000	3
14	71	Старкрымсон (1-й сорт) - урожай: 14.00	6,000	3
15	83	Ренет Симеренко (2-й сорт) - урожай: 2.00	6,000	3
16	91	Джонатан (3-й сорт) - урожай: 1.00	6,000	3
17	93	Ред Делишес (3-й сорт) - урожай: 1.00	6,000	3
18	95	Ренет Симеренко (3-й сорт) - урожай: 1.00	6,000	3
19	1	Джонатан (всего) - урожай: 10.00	4,000	2
20	3	Джонатан (всего) - урожай: 12.00	4,000	2
21	6	Джонатан (всего) - урожай: 15.00	4,000	2
№	Код	Наименование класса	% от кол-ва примеров	Абс. кол-во
22	10	Ред Делишес (всего) - урожай: 15.00	4,000	2
23	11	Ред Делишес (всего) - урожай: 16.00	4,000	2
24	20	Ренет Симеренко (всего) - урожай: 20.00	4,000	2
25	28	Ренет Шампанское (всего) - урожай: 17.00	4,000	2
26	35	Старкрымсон (всего) - урожай: 12.00	4,000	2
27	36	Старкрымсон (всего) - урожай: 15.00	4,000	2
28	37	Старкрымсон (всего) - урожай: 16.00	4,000	2
29	43	Джонатан (1-й сорт) - урожай: 14.00	4,000	2
30	46	Джонатан (1-й сорт) - урожай: 9.00	4,000	2
31	48	Ред Делишес (1-й сорт) - урожай: 14.00	4,000	2
32	49	Ред Делишес (1-й сорт) - урожай: 15.00	4,000	2
33	56	Ренет Симеренко (1-й сорт) - урожай: 14.00	4,000	2
34	58	Ренет Симеренко (1-й сорт) - урожай: 18.00	4,000	2
35	61	Ренет Симеренко (1-й сорт) - урожай: 3.00	4,000	2
36	62	Ренет Шампанское (1-й сорт) - урожай: 13.00	4,000	2
37	66	Ренет Шампанское (1-й сорт) - урожай: 20.00	4,000	2
38	67	Ренет Шампанское (1-й сорт) - урожай: 24.00	4,000	2
39	69	Старкрымсон (1-й сорт) - урожай: 11.00	4,000	2
40	72	Старкрымсон (1-й сорт) - урожай: 17.00	4,000	2
41	81	Ренет Симеренко (2-й сорт) - урожай: 0.00	4,000	2
42	96	Ренет Шампанское (3-й сорт) - урожай: 0.00	4,000	2
43	2	Джонатан (всего) - урожай: 11.00	2,000	1
44	4	Джонатан (всего) - урожай: 13.00	2,000	1
45	5	Джонатан (всего) - урожай: 14.00	2,000	1
46	7	Джонатан (всего) - урожай: 5.00	2,000	1
47	8	Ред Делишес (всего) - урожай: 10.00	2,000	1
48	9	Ред Делишес (всего) - урожай: 14.00	2,000	1
49	12	Ред Делишес (всего) - урожай: 18.00	2,000	1
50	13	Ред Делишес (всего) - урожай: 19.00	2,000	1
51	14	Ред Делишес (всего) - урожай: 24.00	2,000	1
52	15	Ред Делишес (всего) - урожай: 27.00	2,000	1
53	16	Ренет Симеренко (всего) - урожай: 12.00	2,000	1
54	17	Ренет Симеренко (всего) - урожай: 15.00	2,000	1
55	18	Ренет Симеренко (всего) - урожай: 16.00	2,000	1
56	19	Ренет Симеренко (всего) - урожай: 17.00	2,000	1
57	21	Ренет Симеренко (всего) - урожай: 22.00	2,000	1
58	22	Ренет Симеренко (всего) - урожай: 28.00	2,000	1
459	23	Ренет Симеренко (всего) - урожай: 3.00	2,000	1
60	24	Ренет Симеренко (всего) - урожай: 4.00	2,000	1
61	25	Ренет Шампанское (всего) - урожай: 10.00	2,000	1
62	26	Ренет Шампанское (всего) - урожай: 14.00	2,000	1
63	27	Ренет Шампанское (всего) - урожай: 15.00	2,000	1
64	29	Ренет Шампанское (всего) - урожай: 21.00	2,000	1
65	30	Ренет Шампанское (всего) - урожай: 22.00	2,000	1
66	31	Ренет Шампанское (всего) - урожай: 23.00	2,000	1
67	32	Ренет Шампанское (всего) - урожай: 25.00	2,000	1
58	33	Ренет Шампанское (всего) - урожай: 27.00	2,000	1
69	34	Старкрымсон (всего) - урожай: 10.00	2,000	1
70	38	Старкрымсон (всего) - урожай: 18.00	2,000	1
71	39	Старкрымсон (всего) - урожай: 20.00	2,000	1
№	Код	Наименование класса	% от кол-ва примеров	Абс. кол-во
72	40	Старкрымсон (всего) - урожай: 9.00	2,000	1
73	42	Джонатан (1-й сорт) - урожай: 13.00	2,000	1
74	44	Джонатан (1-й сорт) - урожай: 3.00	2,000	1
75	45	Джонатан (1-й сорт) - урожай: 7.00	2,000	1
76	47	Ред Делишес (1-й сорт) - урожай: 13.00	2,000	1
77	50	Ред Делишес (1-й сорт) - урожай: 17.00	2,000	1
78	51	Ред Делишес (1-й сорт) - урожай: 18.00	2,000	1
79	52	Ред Делишес (1-й сорт) - урожай: 23.00	2,000	1
80	53	Ред Делишес (1-й сорт) - урожай: 25.00	2,000	1
81	54	Ред Делишес (1-й сорт) - урожай: 9.00	2,000	1
82	55	Ренет Симеренко (1-й сорт) - урожай: 11.00	2,000	1
83	57	Ренет Симеренко (1-й сорт) - урожай: 15.00	2,000	1
84	59	Ренет Симеренко (1-й сорт) - урожай: 19.00	2,000	1
85	60	Ренет Симеренко (1-й сорт) - урожай: 26.00	2,000	1
86	63	Ренет Шампанское (1-й сорт) - урожай: 15.00	2,000	1
87	64	Ренет Шампанское (1-й сорт) - урожай: 16.00	2,000	1
88	65	Ренет Шампанское (1-й сорт) - урожай: 19.00	2,000	1
89	68	Ренет Шампанское (1-й сорт) - урожай: 8.00	2,000	1
90	70	Старкрымсон (1-й сорт) - урожай: 13.00	2,000	1
91	73	Старкрымсон (1-й сорт) - урожай: 7.00	2,000	1
92	74	Старкрымсон (1-й сорт) - урожай: 8.00	2,000	1
93	75	Джонатан (2-й сорт) - урожай: 0.00	2,000	1
94	77	Джонатан (2-й сорт) - урожай: 15.00	2,000	1
95	78	Джонатан (2-й сорт) - урожай: 2.00	2,000	1
96	80	Ред Делишес (2-й сорт) - урожай: 2.00	2,000	1
97	86	Ренет Шампанское (2-й сорт) - урожай: 3.00	2,000	1
98	88	Старкрымсон (2-й сорт) - урожай: 2.00	2,000	1
99	89	Старкрымсон (2-й сорт) - урожай: 3.00	2,000	1

Например, из этого распределения видно, что лишь по 18 классам представлено более 2 примеров. Следовательно, для повышения надежности выводов необходимо либо увеличить объем обучающей выборки, либо укрупнить классы.

4.2.4. Выводы

Измерение валидности семантической информационной модели объекта исследования показало ее высокую степень адекватности. Это означает, что вполне корректно считать исследование модели объекта изучением самого объекта.

4.3. Исследование семантический
информационной модели

4.3.1. Прогнозирование результатов выращивания
заданной культуры в заданной точке

Сформулируем задачи, которые должны быть решены перед прогнозированием результатов выращивания плодовых культур:

– определение периодов фенофаз данной культуры в заданной точке;

– определение метеопараметров в заданной точке.

Сразу отметим, что решение этих задач не входит в тематику данной работы и мы будем считать, что они решены.

4.3.1.1. Задача определения периодов фенофаз для заданного сорта в данной зоне и микрозоне выращивания

В соответствии с созданной семантической информационной моделью прогнозирование результатов выращивания осуществляется на основе информации о прошлых или прогнозируемых значениях ряда метеопараметров в периоды фенофаз различных сортов.

Однако метеослужбы располагают информацией не по периодам фенофаз, а по дням. Следовательно, для решения задачи прогнозирования необходимо предварительно решить задачу определения наиболее вероятных периодов наступления и окончания фенофаз для заданной культуры и сорта по известным метеопараметрам в течение ряда лет.

4.3.1.2. Задача определения значений метеопараметров в заданной точке по их значениям в трех ближайших метеостанциях

Метеопараметры измеряются метеостанциями не в потенциальных точках выращивания, а в местах нахождения метеостанций. Поэтому перед тем, как определять периоды фенофаз для того или иного сорта в некоторой заданной потенциальной точке выращивания необходимо предварительно решить задачу определения значений метеопараметров в данной точке путем пространственной интерполяции их значений в трех ближайших к данной точке метеостанциях.

4.3.1.3. Прогнозирование результатов выращивания заданной культуры в заданной точке

Рассмотрим прогнозирование результата выращивания сорта Старкрымсон (2-й сорт), урожайность 1.00, который имеет наиболее высокую дифференциальную валидность (75% при 2 засчитываемых классах) (рисунок 49).

Рисунок 49. Дифференциальная валидность результатов
выращивания (сортировка в порядке убывания)

Для выполнения прогнозирования заполним карточку прогнозирования кодами метеофакторов в соответствии с справочником описательных шкал и градаций. При этом получим карточку вида, представленную в таблице 32, а затем вводим ее в систему и запускаем режим прогнозирования.

Таблица 32 – А Н К Е Т А распознаваемой выборки
N° 15 1995

22-05-04 13:59:05 г.Краснодар

==============================================================================

| К о д ы п е р в и ч н ы х п р и з н а к о в |

==============================================================================

| 4 10 13 18 24 28 33 36 44 46 51 64 69 71 76 |

| 83 87 96 101 106 111 116 121 121 121 121 130 131 131 131 |

| 131 131 136 136 136 136 141 141 141 141 141 146 151 159 166 |

| 166 166 166 166 171 171 171 171 171 176 176 176 176 181 181 |

| 181 181 181 186 186 186 186 191 191 191 191 191 196 201 201 |

| 201 201 206 206 206 206 206 211 211 211 211 211 217 226 232 |

==============================================================================

==============================================================================

| К о д ы п е р в и ч н ы х п р и з н а к о в |

==============================================================================

| 240 241 250 251 258 265 268 275 280 290 295 300 303 306 315 |

| 316 321 326 326 326 326 331 331 331 331 331 336 336 336 336 |

| 336 341 341 341 341 346 346 346 346 346 351 351 351 351 356 |

| 356 356 356 356 361 366 371 376 381 381 381 381 386 386 386 |

| 386 386 391 391 391 391 396 396 396 396 396 401 401 401 401 |

| 406 406 406 406 406 411 416 416 416 416 416 421 421 421 421 |

| 426 426 426 426 426 431 437 446 455 458 462 468 471 482 486 |

| 493 500 504 511 520 524 526 532 536 541 541 541 541 541 546 |

| 546 546 546 551 551 551 551 551 556 556 556 556 561 561 561 |

| 561 561 566 566 566 566 571 571 571 571 571 576 576 576 576 |

| 576 581 581 581 581 587 591 596 596 596 596 596 601 601 601 |

| 601 606 606 606 606 606 611 611 611 611 616 616 616 616 616 |

| 621 621 621 621 621 631 636 641 641 641 641 641 647 652 657 |

| 661 672 679 684 687 694 697 703 706 711 720 724 734 741 747 |

| 751 756 756 756 756 756 761 761 761 761 766 766 766 766 766 |

| 771 771 771 771 776 776 776 776 776 781 781 781 781 781 786 |

| 786 786 786 791 791 791 791 791 796 796 796 796 803 806 811 |

| 811 811 811 811 816 816 816 816 821 821 821 821 821 826 826 |

| 826 826 826 831 831 831 831 836 836 836 836 836 841 841 841 |

| 841 846 851 856 856 856 856 856 864 870 879 885 886 895 896 |

| 904 908 911 917 925 930 936 943 948 951 951 951 951 951 956 |

| 961 966 971 971 971 971 976 976 976 976 976 981 981 981 981 |

| 986 986 986 986 986 991 991 991 991 996 996 996 996 996 1001 |

| 1001 1001 1001 1001 1006 1006 1006 1006 1011 1011 1011 1011 1011 1018 1021 |

| 1021 1021 1021 1026 1026 1026 1026 1026 1031 1031 1031 1031 1036 1036 1036 |

| 1036 1036 1041 1041 1041 1041 1041 1046 1046 1046 1046 1051 1051 1051 1051 |

| 1051 1056 1061 1066 1071 1071 1071 1071 1078 1084 1087 1092 1098 1103 1110 |

| 1119 1121 1127 1132 1139 1144 1149 1155 1158 1161 1166 1176 1181 1181 1181 |

| 1181 1181 1186 1186 1186 1186 1186 1196 1196 1196 1196 1196 1201 1201 1201 |

| 1201 1201 1206 1206 1206 1206 1211 1211 1211 1211 1211 1216 1216 1216 1216 |

| 1221 1221 1221 1221 1221 1226 1226 1226 1226 1226 1236 1236 1236 1236 1236 |

| 1241 1241 1241 1241 1241 1246 1246 1246 1246 1251 1251 1251 1251 1251 1256 |

| 1256 1256 1256 1261 1261 1261 1261 1261 1266 1266 1266 1266 1266 1276 1281 |

| 1286 1286 1286 1286 1286 1295 1300 1310 1314 1324 1328 1341 1346 1353 1358 |

| 1363 1366 1372 1376 1381 1386 1386 1386 1386 1391 1396 1396 1396 1396 1396 |

| 1401 1401 1401 1401 1406 1406 1406 1406 1406 1411 1411 1411 1411 1416 1416 |

| 1416 1416 1416 1421 1421 1421 1421 1421 1426 1426 1426 1426 1431 1431 1431 |

| 1431 1431 1436 1436 1436 1436 1441 1441 1441 1441 1441 1448 1451 1451 1451 |

| 1451 1456 1456 1456 1456 1456 1461 1461 1461 1461 1461 1466 1466 1466 1466 |

| 1471 1471 1471 1471 1471 1476 1476 1476 1476 1481 1481 1481 1481 1481 1486 |

| 1491 1496 1501 1501 1501 1501 1509 1511 1518 1524 1530 1534 1538 1545 1559 |

| 1564 1569 1571 1580 1583 1587 1593 1604 1608 1612 1620 1621 1626 1635 1636 |

| 1636 1636 1636 1636 1641 1641 1641 1641 1646 1646 1646 1646 1646 1651 1656 |

| 1665 1668 1676 1676 1676 1676 1676 1681 1681 1681 1681 1681 1686 1696 1702 |

| 1707 1713 1716 1716 1716 1716 1716 1725 1729 1740 1745 1749 1753 1757 1758 |

| 1765 1766 1771 1776 1784 1792 1798 1802 1806 1817 1822 1826 1831 1831 1831 |

| 1831 1836 1841 1841 1841 1841 1841 1846 1846 1846 1846 1846 1851 1851 1851 |

| 1851 1856 1856 1856 1856 1856 1861 1861 1861 1861 1866 1871 1871 1871 1871 |

| 1871 1880 1881 1886 1891 1891 1891 1891 1896 1896 1896 1896 1896 1901 1901 |

| 1901 1901 1906 1911 1911 1911 1911 1911 1916 1923 1924 1931 1931 1931 1931 |

| 1931 1940 1944 1949 1955 1960 1964 1972 1979 1981 1986 1991 1997 2005 2006 |

| 2018 2022 2031 2041 2046 2046 2046 2046 2046 2051 2051 2051 2051 2051 2056 |

| 2056 2056 2056 2061 2061 2061 2061 2061 2066 2066 2066 2066 2071 2071 2071 |

| 2071 2071 2076 2076 2076 2076 2081 2081 2081 2081 2081 2086 2086 2086 2086 |

| 2086 2094 2096 2096 2096 2096 2101 2101 2101 2101 2101 2106 2106 2106 2106 |

| 2111 2111 2111 2111 2111 2116 2116 2116 2116 2121 2121 2121 2121 2121 2126 |

| 2126 2126 2126 2126 2131 2141 2146 2146 2146 2146 2146 2154 2160 2161 2169 |

| 2175 2185 2186 2194 2196 2201 2206 2215 2220 2225 2229 2234 2247 2252 2256 |

| 2261 2261 2261 2261 2261 2266 2266 2266 2266 2271 2271 2271 2271 2271 2276 |

| 2276 2276 2276 2276 2281 2281 2281 2281 2286 2286 2286 2286 2286 2291 2291 |

| 2291 2291 2296 2301 2301 2301 2301 2301 2306 2311 2316 2316 2316 2316 2321 |

| 2321 2321 2321 2321 2326 2326 2326 2326 2331 2331 2331 2331 2331 2336 2336 |

| 2336 2336 2336 2341 2341 2341 2341 2346 2351 2356 2356 2356 2356 2356 2361 |

| 2361 2361 2361 2369 2375 2378 2384 2388 2394 2398 2407 2413 2417 2423 2430 |

==============================================================================

==============================================================================

| К о д ы п е р в и ч н ы х п р и з н а к о в |

==============================================================================

| 2434 2440 2445 2447 2452 2456 2456 2456 2456 2463 2468 2474 2480 2481 2486 |

| 2495 2496 2496 2496 2496 2501 2501 2501 2501 2501 2506 2506 2506 2506 2511 |

| 2516 2522 2527 2531 2536 2536 2536 2536 2536 2541 2541 2541 2541 2546 2551 |

| 2556 2561 2566 2571 2571 2571 2571 2576 2576 2576 2576 2576 2584 2587 2593 |

| 2600 2609 2613 2620 2624 2628 2632 2637 2644 2650 2659 2662 2683 2687 2688 |

| 2695 2696 2701 2710 2711 2711 2711 2711 2716 2716 2716 2716 2716 2721 2721 |

| 2721 2721 2721 2726 2740 2743 2746 2751 2751 2751 2751 2751 2756 2756 2756 |

| 2756 2761 2766 2771 2777 2783 2784 2786 2791 2791 2791 2791 |

==============================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

В нашем примере эти карточки распознавания совпадают с использованными в обучающей выборке (обучающая выборка была скопирована в распознаваемую для измерения внутренней валидности модели). Поэтому мы эту карточку не заполняли, а нашли в распознаваемой выборке. Для этого в форме ValAnkSе.txt находим фрагмент, посвященный прогнозированию интересующего нас результата выращивания по заданному сорту (таблица 33):

Таблица 33 – А Н К Е Т Ы распознаваемой выборки

Класс распознавания: 87 - СТАРКРЫМСОН (2-Й СОРТ) - УРОЖАЙ: 1.00

Результат идентификации: Верная идентификация

Минимальный уровень сходства: 0.0 Максимальное кол-во классов: 2

22-05-04 14:00:30 г.Краснодар

=================================================================================

¦ К о д ы а н к е т р а с п о з н а в а е м о й в ы б о р к и ¦

¦-------------------------------------------------------------------------------¦

¦ 10 15 20 25 45 50 ¦

=================================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

Затем выводим результаты прогнозирования используя соответствующий режим системы "Эйдос" (рисунок 50), получаем карточку в выходной форме (рисунок 51) и в таблице 34.

Рисунок 50. Запуск режима вывода результатов прогнозирования	Рисунок 51. Вывод карточки результатов прогнозирования (экранная форма)

Таблица 34 – РЕЗУЛЬТАТ ИДЕНТИФИКАЦИИ
ИНФОРМАЦИОННОГО ИСТОЧНИКА

22-05-04 14:33:20

========================================================

¦ Номер анкеты: 15 Наим.физ.ист.: 15 1995 Качество: 16%¦

========================================================

¦Код ¦ Наименование класса распознавания ¦ %Сх¦

========================================================

¦ 87¦Старкрымсон (2-й сорт) - урожай: 1.00.......¦ 12¦

¦ 98¦Старкрымсон (3-й сорт) - урожай: 0.00.......¦ 8¦

¦ 36¦Старкрымсон (всего) - урожай: 15.00......¦ 8¦

¦ 71¦Старкрымсон (1-й сорт) - урожай: 14.00......¦ 4¦

¦ 99¦Старкрымсон (3-й сорт) - урожай: 1.00.......¦ 2¦

¦ 90¦Джонатан (3-й сорт) - урожай: 0.00..........¦ 1¦

========================================================

¦ 79¦Ред Делишес (2-й сорт) - урожай: 1.00.......¦ -2¦

¦ 84¦Ренет Шампанское (2-й сорт) - урожай: 1.00..¦ -2¦

¦ 92¦Ред Делишес (3-й сорт) - урожай: 0.00.......¦ -2¦

¦ 76¦Джонатан (2-й сорт) - урожай: 1.00..........¦ -3¦

¦ 94¦Ренет Симеренко (3-й сорт) - урожай: 0.00...¦ -4¦

¦ 82¦Ренет Симеренко (2-й сорт) - урожай: 1.00...¦ -5¦

¦ 85¦Ренет Шампанское (2-й сорт) - урожай: 2.00..¦ -5¦

¦ 11¦Ред Делишес (всего) - урожай: 16.00......¦ -6¦

¦ 49¦Ред Делишес (1-й сорт) - урожай: 15.00......¦ -6¦

¦ 83¦Ренет Симеренко (2-й сорт) - урожай: 2.00...¦ -7¦

¦ 20¦Ренет Симеренко (всего) - урожай: 20.00..¦ -7¦

¦ 58¦Ренет Симеренко (1-й сорт) - урожай: 18.00..¦ -7¦

¦ 95¦Ренет Симеренко (3-й сорт) - урожай: 1.00...¦ -7¦

¦ 93¦Ред Делишес (3-й сорт) - урожай: 1.00.......¦ -7¦

¦ 41¦Джонатан (1-й сорт) - урожай: 12.00.........¦ -8¦

¦ 62¦Ренет Шампанское (1-й сорт) - урожай: 13.00.¦ -8¦

¦ 43¦Джонатан (1-й сорт) - урожай: 14.00.........¦ -8¦

¦ 6¦Джонатан (всего) - урожай: 15.00.........¦ -10¦

¦ 35¦Старкрымсон (всего) - урожай: 12.00......¦ -11¦

¦ 69¦Старкрымсон (1-й сорт) - урожай: 11.00......¦ -11¦

¦ 66¦Ренет Шампанское (1-й сорт) - урожай: 20.00.¦ -11¦

¦ 96¦Ренет Шампанское (3-й сорт) - урожай: 0.00..¦ -11¦

¦ 72¦Старкрымсон (1-й сорт) - урожай: 17.00......¦ -11¦

¦ 67¦Ренет Шампанское (1-й сорт) - урожай: 24.00.¦ -11¦

¦ 28¦Ренет Шампанское (всего) - урожай: 17.00.¦ -11¦

¦ 37¦Старкрымсон (всего) - урожай: 16.00......¦ -12¦

¦ 61¦Ренет Симеренко (1-й сорт) - урожай: 3.00...¦ -12¦

¦ 81¦Ренет Симеренко (2-й сорт) - урожай: 0.00...¦ -12¦

¦ 56¦Ренет Симеренко (1-й сорт) - урожай: 14.00..¦ -12¦

¦ 91¦Джонатан (3-й сорт) - урожай: 1.00..........¦ -13¦

¦ 3¦Джонатан (всего) - урожай: 12.00.........¦ -13¦

¦ 10¦Ред Делишес (всего) - урожай: 15.00......¦ -14¦

¦ 48¦Ред Делишес (1-й сорт) - урожай: 14.00......¦ -14¦

¦ 1¦Джонатан (всего) - урожай: 10.00.........¦ -15¦

¦ 46¦Джонатан (1-й сорт) - урожай: 9.00..........¦ -15¦

========================================================

В верхней части карточки прогнозирования и выходной формы представлены классы распознавания в порядке убывания вероятности осуществления, а в нижней – в порядке возрастания вероятности неосуществления.

4.3.2. Поддержка принятия решений по рациональному выбору зон и микрозон выращивания данной культуры и сорта

В результате решения двух задач, сформулированных выше, создаются все условия для решения задачи прогнозирования количественных и качественных результатов выращивания заданного сорта в данной точке.

Эта задача решается для заданного сорта для всех потенциальных точек выращивания, в общем случае – для всех точек, находящихся в узлах некоторой регулярной (с одинаковым шагом) решетки на карте.

Результаты оценки пригодности различных географических точек для выращивания заданного сорта могут быть визуализированы в форме карт с использованием геоинформационных технологий. Для ряда косточковых плодовых культур эта работа выполнена под руководством профессора И.А. Драгавцевой [6], но для семечковых, в частности яблок, насколько нам известно, конкретные предпосылки для решения этих задач впервые создаются именно данной работой.

4.3.3. Поддержка принятия решений по рациональному выбору культур для выращивания в данной зоне
и микрозоне

Предпосылки для решения задачи выбору культур для выращивания в данной зоне и микрозоне, также как и предыдущей задачи, создаются в результате решения двух задач, сформулированных выше в данной работе.

Эта задача может быть решена для заданной точки выращивания для всех потенциальных сортов с использованием моделей и технологии, описанных в данной работе.

4.3.4. Кластерно-конструктивный
и системно-когнитивный
анализ результатов выращивания и факторов

Эти возможности обеспечиваются режимами 5-й подсистемы "Типология" (рисунок 52).

Рисунок 52. Режимы подсистемы типологического анализа классов и факторов

Кластерный анализ классов показывает, какие качественные и количественные результаты выращивания различных сортов детерминируются (вызываются) сходными системами факторов, и могут быть получены одновременно, а какие противоположными, несовместимыми и одновременно недостижимыми. Результаты кластерного анализа классов и факторов выводятся в форме таблиц (таблицы 35 и 36) и в форме семантических сетей (рисунок 53).

Таблица 35 – МАТРИЦА СХОДСТВА КЛАССОВ (%) (ФРАГМЕНТ)

22-05-04 16:35:47 г.Краснодар

============================================================================

| Коды | 1 3 6 10 11 20 28 35 36 37 41 43 |Уровни|

============================================================================

| 1 | 100 12 17 11 8 15 9 3 8 28 4 18 | |

| 3 | 12 100 16 12 29 14 17 39 9 17 64 12 | |

| 6 | 17 16 100 22 11 41 22 13 23 20 1 45 | |

| 10 | 11 12 22 100 13 14 37 12 9 16 5 20 | |

| 11 | 8 29 11 13 100 41 13 21 22 14 10 50 | |

| 20 | 15 14 41 14 41 100 10 22 25 13 1 48 | |

| 28 | 9 17 22 37 13 10 100 13 18 30 5 26 | |

| 35 | 3 39 13 12 21 22 13 100 13 13 20 7 | |

| 36 | 8 9 23 9 22 25 18 13 100 3 8 19 | |

| 37 | 28 17 20 16 14 13 30 13 3 100 4 14 | |

| 41 | 4 64 1 5 10 1 5 20 8 4 100 -4 | |

| 43 | 18 12 45 20 50 48 26 7 19 14 -4 100 | |

============================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

На основе матрицы сходства формируются таблицы кластеров и конструктов (таблица 65).

Таблица 36 – КЛАСТЕРЫ И КОНСТРУКТЫ КЛАССОВ

22-05-04 16:36:25 Фильтр по кодам классов: 1-99 г.Краснодар

===============================================================================

| N° |Уровень| Код | Н а и м е н о в а н и е | Сход- |

|класт|класса |класса | к л а с с а р а с п о з н а в а н и я | ство % |

|=============================================================================|

| 1 | 0 | 1 | Джонатан (всего) - урожай: 10.00..........| 100.00|

| | 0 | 46 | Джонатан (1-й сорт) - урожай: 9.00...........| 46.75|

| | 0 | 61 | Ренет Симеренко (1-й сорт) - урожай: 3.00....| 42.82|

| | 0 | 81 | Ренет Симеренко (2-й сорт) - урожай: 0.00....| 42.82|

| | 0 | 91 | Джонатан (3-й сорт) - урожай: 1.00...........| 38.67|

| | 0 | 95 | Ренет Симеренко (3-й сорт) - урожай: 1.00....| 30.20|

| | 0 | 37 | Старкрымсон (всего) - урожай: 16.00.......| 27.63|

| | 0 | 62 | Ренет Шампанское (1-й сорт) - урожай: 13.00..| 26.63|

| | 0 | 96 | Ренет Шампанское (3-й сорт) - урожай: 0.00...| 22.72|

| | 0 | 67 | Ренет Шампанское (1-й сорт) - урожай: 24.00..| 20.23|

| | 0 | 43 | Джонатан (1-й сорт) - урожай: 14.00..........| 18.40|

| | 0 | 6 | Джонатан (всего) - урожай: 15.00..........| 17.21|

| | 0 | 66 | Ренет Шампанское (1-й сорт) - урожай: 20.00..| 16.70|

| | 0 | 82 | Ренет Симеренко (2-й сорт) - урожай: 1.00....| 15.86|

| | 0 | 20 | Ренет Симеренко (всего) - урожай: 20.00...| 14.54|

| | 0 | 58 | Ренет Симеренко (1-й сорт) - урожай: 18.00...| 14.54|

| | 0 | 72 | Старкрымсон (1-й сорт) - урожай: 17.00.......| 13.39|

| | 0 | 56 | Ренет Симеренко (1-й сорт) - урожай: 14.00...| 13.31|

| | 0 | 93 | Ред Делишес (3-й сорт) - урожай: 1.00........| 12.33|

| | 0 | 3 | Джонатан (всего) - урожай: 12.00..........| 11.66|

| | 0 | 71 | Старкрымсон (1-й сорт) - урожай: 14.00.......| 11.37|

| | 0 | 10 | Ред Делишес (всего) - урожай: 15.00.......| 10.60|

| | 0 | 48 | Ред Делишес (1-й сорт) - урожай: 14.00.......| 10.60|

| | 0 | 28 | Ренет Шампанское (всего) - урожай: 17.00..| 9.07|

| | 0 | 11 | Ред Делишес (всего) - урожай: 16.00.......| 8.26|

| | 0 | 49 | Ред Делишес (1-й сорт) - урожай: 15.00.......| 8.26|

| | 0 | 36 | Старкрымсон (всего) - урожай: 15.00.......| 7.69|

| | 0 | 94 | Ренет Симеренко (3-й сорт) - урожай: 0.00....| 5.65|

| | 0 | 84 | Ренет Шампанское (2-й сорт) - урожай: 1.00...| 4.05|

| | 0 | 41 | Джонатан (1-й сорт) - урожай: 12.00..........| 3.52|

| | 0 | 35 | Старкрымсон (всего) - урожай: 12.00.......| 2.80|

| | 0 | 69 | Старкрымсон (1-й сорт) - урожай: 11.00.......| 2.80|

| | 0 | 76 | Джонатан (2-й сорт) - урожай: 1.00...........| 1.14|

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

| | 0 | 83 | Ренет Симеренко (2-й сорт) - урожай: 2.00....| -0.10|

| | 0 | 98 | Старкрымсон (3-й сорт) - урожай: 0.00........| -0.15|

| | 0 | 79 | Ред Делишес (2-й сорт) - урожай: 1.00........| -2.41|

| | 0 | 90 | Джонатан (3-й сорт) - урожай: 0.00...........| -2.84|

| | 0 | 92 | Ред Делишес (3-й сорт) - урожай: 0.00........| -3.02|

| | 0 | 85 | Ренет Шампанское (2-й сорт) - урожай: 2.00...| -4.92|

| | 0 | 99 | Старкрымсон (3-й сорт) - урожай: 1.00........| -9.04|

| | 0 | 97 | Ренет Шампанское (3-й сорт) - урожай: 1.00...| -11.07|

| | 0 | 87 | Старкрымсон (2-й сорт) - урожай: 1.00........| -16.04|

===============================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

В графической форме результаты кластерно-конструктив-ного анализа отображаются в виде семантических сетей (рисунок 113).

Рисунок 53. Семантическая сеть классов

Аналогичные формы генерируются и по факторам (таблицы 37 и 38).

Таблица 37 – МАТРИЦА СХОДСТВА ПРИЗНАКОВ (в %) (ФРАГМЕНТ)

21-05-04 11:31:21 г.Краснодар

============================================================================

| Коды | 3 14 18 34 36 38 44 46 51 64 68 69 |Уровни|

============================================================================

| 3 | 100 49 77 35 -12 21 39 -21 -27 19 3 18 | |

| 14 | 49 100 33 31 4 42 51 -14 -22 3 8 6 | |

| 18 | 77 33 100 29 -6 10 22 -12 -19 13 8 14 | |

| 34 | 35 31 29 100 5 21 28 -9 -11 8 -27 -8 | |

| 36 | -12 4 -6 5 100 -38 32 21 16 -5 32 -17 | |

| 38 | 21 42 10 21 -38 100 9 10 -4 -6 -9 -7 | |

| 44 | 39 51 22 28 32 9 100 -1 5 -23 27 -24 | |

| 46 | -21 -14 -12 -9 21 10 -1 100 52 9 17 1 | |

| 51 | -27 -22 -19 -11 16 -4 5 52 100 6 20 5 | |

| 64 | 19 3 13 8 -5 -6 -23 9 6 100 -36 86 | |

| 68 | 3 8 8 -27 32 -9 27 17 20 -36 100 -37 | |

| 69 | 18 6 14 -8 -17 -7 -24 1 5 86 -37 100 | |

============================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

Таблица 38 – КОНСТРУКТЫ И КЛАСТЕРЫ ФАКТОРОВ (ФРАГМЕНТ)

22-05-04 16:36:44 Фильтр по кодам признаков: 3-2791 г.Краснодар

======================================================================

| N° |Уровень| Коды | Н а и м е н о в а н и я | Сход- |

|класт|признак|приз-ов| ОБОБЩЕННЫХ и первичных признаков | ство % |

|=====================================================================

| | 0 |[ 3] | 01TVOZDMIN | |

| 2 | 0 | 14 | 01TVOZDMIN: {-1.240, 1.680}.........| 100.00|

| | 0 |[ 75] | 02ATM_13 | |

| | 0 | 372 | 02ATM_13: {2.000, 4.000}............| 59.48|

| | 0 |[ 521] | 13TPOCHMAX | |

| | 0 | 2604 | 13TPOCHMAX: {53.360, 56.480}........| 58.88|

| | 0 |[ 189] | 05VETER_AZ | |

| | 0 | 943 | 05VETER_AZ: {108.000, 162.000}......| 55.32|

| | 0 |[ 347] | 09TVOZDMIN | |

| | 0 | 1733 | 09TVOZDMIN: {-2.900, -0.400}........| 53.91|

| | 0 |[ 528] | 13OSAD_SUT | |

| | 0 | 2637 | 13OSAD_SUT: {1.594, 2.148}..........| 52.49|

| | 0 |[ 353] | 09VLABS | |

| | 0 | 1763 | 09VLABS: {12.504, 13.606}...........| 52.46|

| | 0 |[ 9] | 01VLABS | |

| | 0 | 44 | 01VLABS: {7.384, 8.472}.............| 51.43|

| | 0 |[ 1] | 01TVOZDSR | |

| | 0 | 3 | 01TVOZDSR: {5.324, 8.746}...........| 48.93|

| | 0 |[ 94] | 03VLOTNMIN | |

| | 0 | 468 | 03VLOTNMIN: {42.600, 55.400}........| 47.63|

| | 0 |[ 350] | 09TPOCHMIN | |

| | 0 | 1748 | 09TPOCHMIN: {-4.100, -1.400}........| 45.25|

| | 0 |[ 524] | 13VLOTNMIN | |

| | 0 | 2620 | 13VLOTNMIN: {26.920, 32.000}........| 42.86|

| | 0 |[ 530] | 13DAVL_SEA | |

| | 0 | 2650 | 13DAVL_SEA: {1017.746, 1018.580}....| 42.74|

| | 0 |[ 8] | 01VLOTNMIN | |

| | 0 | 38 | 01VLOTNMIN: {35.800, 45.200}........| 41.61|

| | 0 |[ 339] | 08ATM_19 | |

| | 0 | 1691 | 08ATM_19: {0.000, 0.400}............| 40.39|

| | 0 |[ 554] | 13ATM_19 | |

| | 0 | 2766 | 13ATM_19: {0.000, 0.400}............| 39.87|

| | 0 |[ 275] | 07VETER_AZ | |

| | 0 | 1372 | 07VETER_AZ: {126.256, 168.942}......| 39.76|

| | 0 |[ 447] | 11VETER_AZ | |

| | 0 | 2234 | 11VETER_AZ: {176.730, 235.640}......| 38.83|

| | 0 |[ 533] | 13VETER_AZ | |

| | 0 | 2662 | 13VETER_AZ: {173.626, 185.022}......| 38.14|

| | 0 |[ 233] | 06VETER_SK | |

| | 0 | 1162 | 06VETER_SK: {4.420, 6.460}..........| 37.43|

| | 0 |[ 341] | 08ATM_21 | |

| | 0 | 1702 | 08ATM_21: {6.400, 8.800}............| 37.02|

| | 0 |[ 392] | 10TPOCHMAX | |

| | 0 | 1959 | 10TPOCHMAX: {45.020, 50.560}........| 36.79|

| | 0 |[ 482] | 12VLABS | |

| | 0 | 2408 | 12VLABS: {6.718, 7.402}.............| 36.52|

| | 0 |[ 538] | 13ATM_03 | |

| | 0 | 2687 | 13ATM_03: {1.000, 2.000}............| 35.93|

| | 0 |[ 511] | 12ATM_19 | |

| | 0 | 2551 | 12ATM_19: {0.000, 0.400}............| 35.42|

| | 0 |[ 396] | 10VLABS | |

| | 0 | 1979 | 10VLABS: {16.180, 18.480}...........| 34.00|

|=====================================================================

======================================================================

| N° |Уровень| Коды | Н а и м е н о в а н и я | Сход- |

|класт|признак|приз-ов| ОБОБЩЕННЫХ и первичных признаков | ство % |

|=====================================================================

| | 0 |[ 323] | 08ATM_03 | |

| | 0 | 1612 | 08ATM_03: {1.000, 2.000}............| 33.20|

| | 0 |[ 477] | 12TPOCHSR | |

| | 0 | 2384 | 12TPOCHSR: {1.230, 2.740}...........| 33.09|

| | 0 |[ 144] | 04OBL_VSEG | |

| | 0 | 720 | 04OBL_VSEG: {6.240, 7.800}..........| 33.07|

| | 0 |[ 476] | 12TVOZDMIN | |

| | 0 | 2378 | 12TVOZDMIN: {-15.780, -13.620}......| 32.79|

| | 0 |[ 519] | 13TVOZDMIN | |

| | 0 | 2593 | 13TVOZDMIN: {-15.780, -13.620}......| 32.79|

| | 0 |[ 403] | 10OBL_DOWN | |

| | 0 | 2012 | 10OBL_DOWN: {1.360, 2.520}..........| 32.70|

| | 0 |[ 4] | 01TPOCHSR | |

| | 0 | 18 | 01TPOCHSR: {6.166, 10.064}..........| 32.69|

| | 0 |[ 402] | 10OBL_VSEG | |

| | 0 | 2008 | 10OBL_VSEG: {3.668, 5.002}..........| 32.43|

| | 0 |[ 475] | 12TVOZDMAX | |

| | 0 | 2375 | 12TVOZDMAX: {20.320, 22.600}........| 32.14|

| | 0 |[ 223] | 06VLOTNMIN | |

| | 0 | 1111 | 06VLOTNMIN: {25.000, 31.600}........| 32.04|

| | 0 |[ 60] | 02VETER_AZ | |

| | 0 | 299 | 02VETER_AZ: {162.000, 216.000}......| 31.23|

| | 0 |[ 61] | 02VETER_SK | |

| | 0 | 303 | 02VETER_SK: {4.920, 7.380}..........| 31.13|

| | 0 |[ 7] | 01VLOTNSR | |

| | 0 | 34 | 01VLOTNSR: {72.230, 79.070}.........| 30.79|

| | 0 |[ 118] | 03ATM_13 | |

| | 0 | 588 | 03ATM_13: {2.400, 3.600}............| 30.65|

| | 0 |[ 415] | 10ATM_09 | |

| | 0 | 2071 | 10ATM_09: {0.000, 0.000}............| -30.53|

| | 0 |[ 423] | 10ATM_17 | |

| | 0 | 2111 | 10ATM_17: {0.000, 0.000}............| -30.53|

| | 0 |[ 160] | 04ATM_12 | |

| | 0 | 796 | 04ATM_12: {0.000, 0.000}............| -31.25|

| | 0 |[ 164] | 04ATM_16 | |

| | 0 | 816 | 04ATM_16: {0.000, 0.000}............| -31.25|

| | 0 |[ 153] | 04ATM_05 | |

| | 0 | 761 | 04ATM_05: {0.000, 0.000}............| -31.90|

| | 0 |[ 169] | 04ATM_21 | |

| | 0 | 841 | 04ATM_21: {0.000, 0.000}............| -31.90|

| | 0 |[ 264] | 07TPOCHMIN | |

| | 0 | 1318 | 07TPOCHMIN: {4.020, 7.280}..........| -32.32|

| | 0 |[ 332] | 08ATM_12 | |

| | 0 | 1656 | 08ATM_12: {0.000, 0.200}............| -32.54|

| | 0 |[ 551] | 13ATM_16 | |

| | 0 | 2751 | 13ATM_16: {0.000, 0.000}............| -33.83|

| | 0 |[ 455] | 11ATM_06 | |

| | 0 | 2271 | 11ATM_06: {0.000, 0.000}............| -33.89|

| | 0 |[ 467] | 11ATM_18 | |

| | 0 | 2331 | 11ATM_18: {0.000, 0.000}............| -34.48|

| | 0 |[ 508] | 12ATM_16 | |

| | 0 | 2536 | 12ATM_16: {0.000, 0.000}............| -38.01|

| | 0 |[ 453] | 11ATM_04 | |

| | 0 | 2261 | 11ATM_04: {0.000, 0.000}............| -39.30|

| | 0 |[ 461] | 11ATM_12 | |

| | 0 | 2301 | 11ATM_12: {0.000, 0.000}............| -39.30|

======================================================================

Система обеспечивает сравнение влияния двух факторов на количественные и качественные результаты выращивания яблок (рисунок 54).

Рисунок 54. Сравнение влияния двух факторов на количественные
и качественные результаты выращивания яблок

4.3.5. Выводы

Таким образом, можно сделать вывод о том, что предложенная семантическая модель и технология СК-анализа обеспечили решение следующих задач: прогнозирование результатов выращивания заданной культуры в заданной точке; поддержка принятия решений по рациональному выбору зон и микрозон выращивания данной культуры и сорта; поддержка принятия решений по рациональному выбору культур для выращивания в данной зоне и микрозоне; кластерно-конструктивный и системно-когнитивный анализ результатов выращивания и факторов.

4.4. Эффективность применения полученного решения, его ограничения и перспективы развития

4.4.1. Применение в проектных организациях

На сегодняшний день в Краснодарском крае нет ни одного сортоучастка, где абрикос давал бы более 4-х урожаев за 10 лет [6]. Госсортосеть рекомендует к закладке садов сорта по данным эмпирических испытаний, без учета и анализа их адаптивного потенциала и природно-ресурсного потенциала конкретного пункта. Эти рекомендации с аналогичными данными НИИ используются при разработке проектов закладки садов проектными организациями, например, по Краснодарскому краю ОАО "Краснодарагроспецпроект". Применение проектными организациями технологий, подобных описанных в данной работе, позволило бы снизить затраты на разработку проектов садов и повысить качество проектов, что дало бы соответствующий экономический эффект как текущий, так и в долгосрочной перспективе за счет повышения эффективности садов.

4.4.2. Применение в производственных организациях

Применение предложенной технологии в производственных организациях, например, в самой ЗАО Агрофирме "Сад Гигант", по нашему мнению позволит разрабатывать более точные прогнозы результатов деятельности, что повысит адекватность решений по способу использования произведенной продукции позволит заблаговременно подготовить для этого ресурсы и другие условия. Это касается и условий хранения и переработки продукции, и заключения фьючерсных сделок на ее реализацию.

4.4.3. Применение в образовательных учреждениях

В образовательных учреждениях, прежде всего в Кубанском государственном аграрном университете, проведенная работа может стать основой лекционного занятия и полноценной лабораторной работы по дисциплине: "Интеллектуальные информационные системы", читаемой на 5-м курсе специальности: 351400 – Прикладная информатика.

4.4.4. Ограничения разработанной технологии
и перспективы ее развития

Для адекватного описания объектов управления в АПК необходимо использовать тысячи факторов различной природы (многофакторность), но на практике это сделать очень сложно.

Поэтому, в одних исследованиях учитывается влияние климатических факторов на количественные и качественные результаты выращивания сельскохозяйственных культур (агрометеорология), в других влияние агротехнологий, в третьих влияние почв, предшественников (севооборот), структуры и организации машинно-тракторного парка, финансовых и материальных потоков (логистика) и т.д., и т.д. Сами агротехнологии также включают массу различных факторов: способы вспашки; количество, виды и способы внесения удобрений; нормы высева, полива и т.д. Однако ни одна из этих групп факторов не является определяющей в получении хозяйственного результата (слабодетерминированность). Дело усложняется тем, что исследования каждой группы факторов проводятся обычно разрозненными группами ученых, на разных кафедрах, в различных научно-исследовательских институтах. Так ученые, изучающие влияние лимитирующих климатических факторов с учетом генетического потенциала и пофазного развития сортов и культур не имеют исходной информации для изучения влияния агротехнологий, и наоборот, специалисты по агротехнологиям не имеют климатических баз данных, геоинформационных технологий, и соответственно, возможности учета климатических факторов. И у первых, и у вторых возникают проблемы, связанные с нелинейным системным взаимодействием факторов, а также огромными размерностями математических моделей.

Поэтому мы перспективу развития направления, представленного данной работой, мы видим в разработке моделей, учитывающей кроме климатических факторов, также технологические факторы и неклиматические факторы внешней среды, например, такие как: виды и состояние почв, экологические факторы и др., а также в создании условий для применения этих моделей для решения рассмотренных задач в практике деятельности проектных и производственных организаций.

4.4.5. Выводы

Таким образом, на основании вышеизложенного можно сделать вывод об эффективности предложенной технологии и целесообразности ее применения и дальнейшего развития.

4.5. Выводы

Данный раздел монографии посвящен решению актуальных задач прогнозирования количественных и качественных результатов выращивания семечковых плодовых культур (на примере яблок), на основе выявления причинно-следственных зависимостей между метеофакторами и этими результатами.

1. В связи с высокой размерностью задачи и разнородностью исходных данных показана целесообразность применения для решения поставленных задач нового метода: системно-когнитивного анализа, обоснованного теоретически и имеющего свой программный инструментарий.

2. Показано, что сформированная с помощью СК-анализа семантическая информационная модель имеет достаточно высокую адекватность для того, чтобы ее исследование считать изучением самого объекта.

3. В работе решены следующие задачи, имеющие научное и практическое значение:

– прогнозирование результатов выращивания заданной культуры в заданной точке;

– поддержка принятия решений по рациональному выбору зон и микрозон выращивания данной культуры и сорта;

– поддержка принятия решений по рациональному выбору культур для выращивания в данной зоне и микрозоне;

– кластерно-конструктивный и системно-когнитивный анализ результатов выращивания и факторов.

4. Таким образом, предложенный подход позволяет успешно решить поставленные задачи и достичь цели работы.

5. Предложенная технология эффективна и целесообразно ее применения и дальнейшее развитие.

6. Научная новизна проведенного исследования состоит в том, что впервые методология, технология и инструментарий системно-когнитивного анализа применены для решения задач прогнозирования количественных и качественных результатов выращивания семечковых плодовых культур в Краснодарском крае.

7. Практическая значимость исследования состоит в возможности и целесообразности применения полученных результатов и технологий в практике работы проектных и производственных организаций, а также в учебном процессе на факультете прикладной информатики в Кубанском государственном аграрном университете.