ГЛАВА 7. ИНТЕЛЛЕКТУАЛЬНЫЕ МОДЕЛИ УПРАВЛЕНИЯ ПРОДУКТИВНОСТЬЮ СЕЛЬХОЗКУЛЬТУР И КАЧЕСТВОМ СЕЛЬХОЗПРОДУКЦИИ

7.1. Прогнозирование результатов выращивания
сельскохозяйственных культур и поддержка
принятия решений по рациональному
выбору агротехнологий

Исследование проведено совместно с д.б.н., к.т.н., профессором О.А.Засухиной на базе Кубанского государственного аграрного университета в 1993-1996 годах [82, 83]. Методологической и инструментально-технологической основой данного исследования являлись системно-когнитивный анализ (СК-анализ) и система "Эйдос".

С помощью сформированной содержательной информационной модели прогнозировались результаты выращивания сельскохозяйственных культур и вырабатывались научно-обоснованных рекомендации по управлению урожайностью и качеством сельскохозяйственной продукции [9, 62, 82, 83].

Созданная модель включала:

– объект управления (сельскохозяйственную культуру: зерновые колосовые);

– классы (будущие состояния объекта управления, т.е. количественные и качественные результаты выращивания);

– факторы управляющей системы (агротехнологии, т.е. нормы высева, виды и нормы внесения удобрений, методы вспашки, ротация севооборота и т.п.);

– факторы окружающей среды (вид почв, культуры–предшественники по предшествующим годам и др.).

Размерность модели составила: 35 прогнозируемых результатов выращивания, 188 градаций факторов, 217 прецедентов в обучающей выборке, 18594 факта.

На основе предложенной технологии СК-анализа в среде системы «Эйдос» разработано конкретное приложение, обеспечивающее управление продуктивностью (урожайностью) и качеством сельскохозяйственных культур путем выбора и применения оптимальной агротехнологии в зависимости от таких факторов, как:

– поставленная цель (максимальное количество или максимальное качество продукции);

– вид почв;

– метод вспашки;

– культура-предшественник;

– нормы высева;

– виды и нормы внесения удобрений;

– ротация севооборота;

а также ряда других параметров объекта управления и окружающей среды.

Этапы разработки приложения

1. Формулировка целей методики и в соответствии с ними разработка перечня прогнозируемых хозяйственных ситуаций, т.е. результатов выращивания (например, для классификации будущих состояний, в том числе целевых, могут быть использованы "шкала качества" и "шкала количества", рисунок 7.1):

Рисунок 7. 1. Будущие состояния объекта управления: количественные
и качественные результаты выращивания сельхозкультуры
(зерновые колосовые)

2. Разработка формализованного паспорта результатов выращивания сельхозкультур, позволяющего описать в пригодной для компьютерной обработки форме результаты выращивания конкретной сельхозкультуры на конкретном поле и по конкретной технологии.

Формализованный паспорт состоит из трех частей:

– первая включает целевые и нежелательные будущие состояния объекта управления;

– вторая содержит описательные шкалы и градации, описывающие не зависящие от воли человека факторы окружающей среды;

– третья – зависящие от человека, т.е. технологические факторы, которые можно рассматривать как средство достижения желаемых хозяйственных результатов (рисунок 7.2).

Рисунок 7. 2. Видеограмма с фрагментом справочника
описательных шкал (факторы)

3. Использование бумажного архива по выращиванию сельхозкультур для заполнения формализованных паспортов и ввода в программную инструментальную систему «Эйдос» в качестве примеров выращивания (обучающей выборки) (рисунок 7.3).

Рисунок 7. 3. Интерфейс ввода обучающей выборки

4. Выявление (на основе предъявленных реальных примеров выращивания сельхозкультур) взаимосвязей между применяемыми технологиями и полученными результатами и формирование информационных портретов по каждому возможному результату выращивания.

Информационный портрет хозяйственной ситуации представляет собой перечень технологических факторов с количественным указанием того, какое влияние оказывает каждый из них на осуществление данной ситуации (рисунок 7.4):

Рисунок 7. 4. Примеры информационных портретов результатов выращивания "высокое количество" и "высокое качество"

5. Каждый из технологических факторов на основе приведенных примеров характеризуется тем, какое влияние он оказывает на осуществление каждой (целевой или нежелательной) хозяйственной ситуации (рисунок 7.5):

Рисунок 7. 5. Семантический портрет признака:
"Предшественники – бобовые многолетние травы"

6. Сравнение различных хозяйственных ситуаций и формирование групп наиболее сходных из них (кластеров), а также определение кластеров, наиболее сильно отличаются друг от друга (конструктов). При этом на экспериментальной базе данных был выявлен конструкт "качество–количество", означающий, что для получения высокого качества и большого количества необходимы совершенно противоположные и несовместимые (т.е. невозможные одновременно) почвы: предшественники и агротехнологические приемы (рисунок 7.6):

Рисунок 7. 6. Конструкт классов: "Качество – количество" и семантическая сеть классов по шкалам: "Качество – количество"

7. Группировка технологических факторов в кластеры и конструкты. Кластерно-конструктивный анализ факторов показал, что некоторые различные по своей природе факторы имеют сходное влияние на хозяйственные результаты. Эти факторы предложено использовать для замены друг друга в случае необходимости (рисунок 7.7):

Рисунок 7. 7. Конструкт факторов: "Предшественники бобовые … – Ротация первая…" и семантической сети факторов: "Предшественники – Глубина обработки почвы"

8. Проверка способности созданного приложения правильно прогнозировать хозяйственные результаты на массиве уже введенных формализованных паспортов показала, что валидность оказалась недостаточно высокой для практического применения: на уровне 58%. Причиной этого являются артефакты, из-за которых некоторые хозяйственные ситуации оказались слабо детерминированными (рисунок 7.8). Удаление артефактов привело к повышению интегральной валидности до 80%, что достаточно для практического использования методики (рисунок 7.9)

Таким образом, решены две основные задачи:

1. Прогнозирование того, какие хозяйственные результаты наиболее вероятны (а какие практически невозможны) на данном виде почв и с данными предшественниками, а также при условии применения имеющихся в распоряжении агротехнологий (рисунок 7.10). Указана мера сходства прогнозируемой ситуации с каждым будущим состоянием.

Рисунок 7. 10. Пример карточки прогнозирования для конкретных условий выращивания

2. Разработка рекомендаций по выбору управляющих воздействий, т.е. консультирование по вопросам о том, какие виды почв, предшественники и агротехнологии должны быть, чтобы можно было рассчитывать с определенной уверенностью на заданный хозяйственный результат. Для этого достаточно вывести информационный портрет заданного целевого состояния.

Система "Эйдос" позволяет оценивать степень достоверности своих прогнозов и рекомендаций по управлению, т.е. она не просто дает рекомендацию, но и количественно оценивает степень ее надежности. Кроме того, система дает характеристику влияния каждого технологического приема и рекомендации по замене желательных, но очень дорогих или не имеющихся в наличии технологических приемов, другими, более дешевыми и доступными, и, при этом, имеющими сходное влияние на хозяйственные результаты.

Таким образом, данная методика позволяет "просматривать" различные варианты технологии, прогнозировать последствия применения различных технологических приемов, и на этой основе вырабатывать научно обоснованные рекомендации по выбору возделываемой культуры и оптимальной для поставленных целей агротехнологии.

В данном исследовании в количественной форме были обнаружены как уже известные закономерности по влиянию предшественников, почв, удобрений, способов вспашки и т.д. на результаты выращивания сельхозкультур, так и новые, ранее неизвестные.

7.2. Постановка агрометеорологических задач
выбора микрозон и культур для выращивания

7.2.1. Актуальность исследования

Накоплен многолетний фактографический материал по выращиванию плодовых культур в разных условиях среды. Однако, этот материал находится в форме бумажных документов различных стандартов, что не позволяет обработать его с применением современных математических методов и компьютерных технологий и выявить причинно-следственные зависимости в системе генотип-среда. Интересы сельскохозяйственной науки и практики требуют активного использования этой информации для мониторинга, анализа, прогнозирования и поддержки управленческих решений по выращиванию плодовых культур и сортов.

7.2.2. Общие положения

В данном разделе формулируются частные и обеспечивающие задачи, необходимые для решения задачи прогнозирования количественных и качественных результатов выращивания заданной культуры в заданной точке. Это задачи выявления причинно-следственных закономерностей между метофакторами и результатами выращивания, прогнозирования периодов фенофаз по динамике метеопараметров, а также задачи триангуляции и пространственной интерполяции. Показана взаимосвязь между этими задачами в контексте раскрытия логики решения основной задачи.

7.2.3. Основная задача исследования
и этапы ее решения

Прогнозирование количественных и качественных результатов выращивания различных культур в заданных точках (микрозонах). На основе решения данной основной задачи для различных культур и точек выращивания могут быть решены следующие две подзадачи:

1. Определен потенциал выращивания заданной культуры в различных микрозонах.

2. Определен потенциал выращивания различных культур в заданной микрозоне.

Результаты решения 1-й подзадачи подаются в наглядной и удобной для принятия решений форме геоинформационной визуализации в виде зональных географических карт, на которых зоны с одинаковым потенциалом для выращивания некоторой культуры закрашены одним условным цветом.

Решение основной задачи состоит из двух этапов.

На 1-м этапе выявляются причинно-следственные зависимости между метеоусловиями и результатами выращивания сельскохозяйственных культур.

На 2-м этапе используются знания выявленных причинно-следственных зависимостей для прогнозирования количественных и качественных результатов выращивания заданной культуры в конкретном пункте выращивания.

Будем считать, что биологический потенциал географической точки определяется многолетней динамикой метеопараметров в этой точке.

Отметим, что влияние почв и агротехнологий в данном исследовании не учитывается, но предлагаемые математические модели и реализующий их программный инструментарий пригодны и для этого (имеется положительный опыт в этом направлении).

Решение основной задачи базируется на гипотезе о том, что закономерности влияния динамики метеопараметров на переход культуры от одной фенофазы к другой и на количественные и качественные результаты ее выращивания определяются только генотипом данной культуры и не меняются от точки к точке и в течение времени для данной культуры. Если данная гипотеза верна, то закономерности влияния факторов среды на результаты выращивания данной культуры, выявленные на основе обработки эмпирических данных, полученных за определенный период времени в одних точках, применимы для прогнозирования результатов выращивания этой культуры и в других точках.

Известно (Драгавцев А.П.), что влияние одних и тех же метеопараметров на количественные и качественные результаты выращивания культуры зависит не только от самих значений этих метеопараметров, но в огромной степени – от фенофазы, в течение которой эти параметры действовали. Поэтому вся метеоинформация должна обрабатываться с привязкой к периодам фенофаз, характеризующим темп биологического времени для различных культур, а не просто – к физическому (календарному) времени.

В принципе многие закономерности влияния метеоусловий на результаты выращивания известны и описаны в специальной литературе, в том числе и авторами данного исследования. Однако для достижения цели исследования все эти задачи должны быть решены на новом качественном уровне, соответствующем современному уровню развития математических методов и информационных технологий, в частности в рамках одной инструментальной системы. Дело в том, что решение этих задач, реализованное в различных инструментальных системах, не обеспечивает возможности обмена информацией между ними, а значит, проведения реальных исследований и прогнозирования в промышленном режиме.

Рассмотрим подробнее, каким образом осуществляется декомпозиция основной задачи в определенную последовательность этапов, частных и обеспечивающих задач (рисунок 7.11).

Рисунок 7. 11. Декомпозиция основной задачи исследования в ряд частных и обеспечивающих задач

Этап 1-й: выявление причинно-следственных зависимостей между метеоусловиями и результатами выращивания сельскохозяйственных культур

Задача 1.1: На основе обработки эмпирической информации об условиях и результатах выращивании различных культур в конкретных микрозонах выявить причинно-следственные закономерности влияния метеопараметров, действующих в течение определенных фенотипических фаз развития, на количественные и качественные результаты выращивания.

Исходные данные:

– фактические периоды начала и окончания фенофаз;

– фактические посуточные значения метеопараметров.

Результат решения:

Для каждого значения каждого метеопараметра, действующего в период определенной фенофазы, установлены сила и направление его влияния на количественные и качественные результаты выращивания каждой конкретной культуры.

Однако в данном пункте выращивания может и не быть метеостанции для регистрации метеопараметров.

Поэтому задача 1.1 не может быть решена без решения задачи пространственной интерполяции: определение значений метеопараметров в заданной точке по их значениям в точках нахождения трех ближайших метеостанций путем взвешивания значений с учетом поправок на рельеф и расстояния. Данная задача, в свою очередь, предполагает предварительное решение задачи триангуляции: определение трех ближайших к заданной точке метеостанций по географическим координатам этой точки и метеостанций. Последняя задача связана с необходимостью преобразования значений метеопараметров, известных для нерегулярной сетки (решетки), в узлах которой расположены метеостанции, в регулярную сетку потенциальных точек выращивания, которая более удобна для геоинформационной визуализации.

Для потенциальных точек выращивания, по которым необходимо прогнозировать количественные и качественные результаты, периоды начала и окончания различных фенофаз для различных культур, неизвестны. Поэтому возникает задача 1.2: на основе обработки эмпирической информации об условиях и динамике фенотипического развития различных культур в конкретных микрозонах выявить причинно-следственные зависимости влияния динамики метеопараметров на сроки начала и окончания фенофаз для этих культур.

Исходные данные:

– фактические периоды начала и окончания фенофаз;

– динамика метеопараметров.

Результат решения:

Математическая модель и методика численных расчетов, позволяющие с минимальной погрешностью определить сроки наступления и окончания фенофаз для различных культур как в фактических, так и предполагаемых точках их выращивания по известной динамике метеопараметров в этих точках.

Задача 1.2 так же, как и 1.1 включает в качестве вспомогательных задачи триангуляции и пространственной интерполяции.

Этап 2-й: использование знания выявленных причинно-следственных зависимостей для прогнозирования количественных и качественных результатов выращивания заданной культуры в конкретном пункте выращивания

Когда задачи 1-го этапа реализованы, то решение основной задачи сводится к выполнению следующих шагов:

1. Определение трех ближайших к заданной точке метеостанций по географическим координатам этой точки и метеостанций (триангуляция).

2. Определение динамики метеопараметров в заданной точке путем взвешивания значений метеопараметров в трех ближайших метеостанциях с учетом расстояний и рельефа местности (пространственная интерполяция).

3. Прогнозирование наиболее вероятных сроков начала и окончания фенофаз для заданной культуры в заданной точке по известной динамике метеопараметров (задача 1.2).

4. Задача 2.1: Прогнозирование количественных и качественных результатов выращивания культуры по известным значениям метеопараметров, действующих в прогнозируемые периоды фенофаз (результат решения задачи 1.2), и известным закономерностям влияния метеопараметров на результаты выращивания (результат решения задачи 1.1).

Каждая из этих задач имеет свою формальную постановку, которую мы далее коротко рассмотрим.

7.2.4. Формальная постановка частных
и обеспечивающих задач

Задача 1.1

На основе обработки эмпирической информации об условиях и результатах выращивании различных культур в конкретных микрозонах выявить причинно-следственные закономерности влияния метеопараметров, действующих в течение определенных фенотипических фаз развития, на количественные и качественные результаты выращивания.

Исходные данные

– фактические периоды начала и окончания фенофаз;

– фактические посуточные значения метеопараметров.

Алгоритм решения

Применяются два основных метода решения данной задачи:

1. Метод оценки индексов среды и экологической пластичности сортов по продуктивности.

2. Метод автоматизированного системно-когнитивного анализа (АСК-анализ).

1-й метод подробно рассмотрен в литературе, поэтому освещать его нецелесообразно.

2-й метод основан на системной теории информации и автоматизации системного анализа путем его декомпозиции по базовым когнитивным операциям [82]. Суть это метода состоит в том, что:

– для формализации результатов выращивания используются две классификационные шкалы: шкала качества и шкала количества;

– для формализации действия метеофакторов применяются описательные шкалы, соответствующие сочетаниям: фенофаза ´ метеопараметр;

– для формализации опыта выращивания используется обучающая выборка, включающая в формальном виде описания всех случаев выращивания всех культур во всех микрозонах, по которым есть информация по первым двум группам шкал;

– на основе предыдущего осуществляется синтез семантической информационной модели (СИМ), отражающей силу и направление влияния всех значений метеофакторов, действующих во всех фенофазах, на количественные и качественные результаты выращивания сельскохозяйственных культур;

– СИМ проверяется на адекватность (верифицируется) и оптимизируется, из нее исключаются артефакты и незначимая исходная информация, а также градации классификационных и описательных шкал, по которым оказалось недостаточно данных;

– проводится системно-когнитивный анализ СИМ, включающий изучение системы детерминации будущих состояний объекта управления, сходства и различия будущих состояний по системе детерминации, сходства и различия факторов по их влиянию на объект управления, построение семантических сетей классов и факторов, когнитивных диаграмм, классических и интегральных когнитивных карт.

Результат решения

Задача 1.2

На основе обработки эмпирической информации об условиях и динамике фенотипического развития различных культур в конкретных микрозонах выявить причинно-следственные зависимости влияния динамики метеопараметров на сроки начала и окончания фенофаз для этих культур.

Исходные данные

– фактические периоды начала и окончания фенофаз;

– динамика метеопараметров.

Алгоритм решения

Считается, что на сроки наступления и окончания фенофаз в основном оказывают влияние накопительные значения средней температуры. Однако в специальной литературе нигде не конкретизируется математическая модель и методика численных расчетов, позволяющие действительно прогнозировать эти сроки, не сравниваются различные модели по погрешности прогнозирования (степени адекватности).

Поэтому возникает ряд вопросов, например:

– средние каких температур использовать: воздуха или почвы, минимальной, средней или максимальной;

– с какой календарной даты или фенофазы начинать накопление;

– какие конкретные значения сумматора соответствуют началу или окончанию тех или иных фаз у тех или иных культур.

По сути, эту математическую модель необходимо разработать и верифицировать самим, что входит в задачи данного исследования.

Результат решения

Задача 2.1

Прогнозирование количественных и качественных результатов выращивания культуры по известным значениям метеопараметров, действующих в прогнозируемые периоды фенофаз (результат решения задачи 1.2) и известным закономерностям влияния метеопараметров на результаты выращивания (результат решения задачи 1.1).

Исходные данные

– фактические значения метеопараметров за ряд лет в данной точке.

Алгоритм решения

Для всех лет, по которым в базе метеоданных имеется информация о значениях метеопараметров, прогнозируются количественные и качественные результаты выращивания конкретной культуры, а затем за исследуемый период подсчитывается средняя вероятность получения различных результатов выращивания. Предполагается, что погода изменяется медленно, генотип еще медленней, и поэтому определенная таким образом вероятность имеет силу и на данный момент времени.

Результат решения

Вероятности различных количественных и качественных результатов выращивания различных культур в заданных точках. Например, вероятность получения высокого урожая абрикоса 1-го сорта в данной точке составляет 72 %.

Задача триангуляции

Определение трех ближайших к заданной точке метеостанций по географическим координатам этой точки и метеостанций (триангуляция).

Исходные данные

Географические координаты метеостанций и точек выращивания. Для метеостанций сетка нерегулярная, а для точек выращивания, как правило, регулярная (квадратная с равным шагом ячейки).

Алгоритм решения

Существуют различные оптимальные по различным критериям и просто рациональные алгоритмы решения этой задачи, например алгоритм Делоне. Однако в данном случае их применение вряд ли оправданно, т. к. вычислительные ресурсы стандартного персонального компьютера вполне позволяют решить эту задачу простейшим в реализации "методом прямого перебора в течение вполне приемлемого реального времени", тем более эта задача может решаться редко, т. к. исходные данные меняются очень редко и незначительно.

Шаг 0: Вход.

Шаг 1: Организуется цикл по потенциальным точкам выращивания.

Шаг 2: Организуется цикл по метеостанциям.

Шаг 3: Географические координаты преобразуются в декартовы (что вполне корректно из-за очень небольших угловых расстояний между точкой выращивания и метеостанцией).

Шаг 4: Вычисляется расстояние по поверхности Земли между текущей точкой и метеостанцией.

Шаг 5: Результат вычисления расстояний заносится в первую базу данных.

Шаг 6: Все метеостанции рассмотрены?

Если нет – переход на шаг 3, иначе – на 7.

Шаг 7: Сортировка 1-й базы данных (расстояний от заданной точки до метеостанций) в порядке увеличения расстояния.

Шаг 8: Выбрать из базы данных три метеостанции с минимальными расстояниями до заданной точки выращивания и поместить эту информацию во 2-ю базу данных.

Шаг 9: Все точки выращивания просмотрены?

Если нет – переход на шаг 2, иначе – на 10.

Шаг 10. Выход.

Результат решения

База данных, в которой содержится информация о всех точках выращивания и трех ближайших к каждой точке метеостанциях.

Задача пространственной интерполяции

Определение динамики метеопараметров в заданной точке путем взвешивания значений метеопараметров в трех ближайших метеостанциях с учетом расстояний и рельефа местности (пространственная интерполяция). Эта задача называется также задачей "восстановления полей элементов в узлах нерегулярной сетки (триангуляция)".

Исходные данные:

– известны суточные значения ряда метеопараметров в точках расположения метеостанций;

– известны три ближайшие к любой заданной точке метеостанции.

Алгоритм решения

Восстановление полей элементов численными методами, получившее название объективного анализа, в настоящее время широко применяется в гидрометеорологии не только в научных исследованиях, но и в оперативной практике. Независимо от применяемых методов расчета, все известные схемы объективного анализа предусматривают предвычисление значений элемента в узлах регулярной сетки по данным окружающих пунктов наблюдений.

Из численных методов восстановления полей элементов наиболее широко известны метод оптимальной интерполяции, метод полиномиальной аппроксимации, метод последовательных приближений. Имеется ряд других методов, многие из которых представляют собой модификации перечисленных методов.

В отечественной гидрометеорологии наибольшее распространение получил метод оптимальной интерполяции. В кратком изложении суть метода сводится к следующему.

1. Описываем пункты наблюдений, используя для этого крупномасштабные карты: гипсометрическую, почвенную, ландшафтную. Снимаются географические координаты пункта, его декартовы координаты по условной сетке с шагом 10 км, высота над уровнем моря, экспозиция склона.

2. Описываем узлы регулярной сетки. С этой целью определяем для каждого узла все указанные выше характеристики, а также ближайшие оказывающие влияние метеостанции.

3. Вводим необходимую гидрометеорологическую информацию по станциям региона.

4. Используем комплекс программ, реализующих метод оптимальной интерполяции.

Метод реализован на IBM PC. Проведенные контрольные расчеты показали работоспособность созданных программ, а также адекватность полученных данных реальным условиям.

Результат решения

Значения всех метеопараметров на любые сутки прошедшего периода можно считать достоверно известными для любой географической точки, находящейся между метеостанциями.

7.2.5. Выводы

Сформулированные задачи, будучи реализованные в одной программной системе, обеспечивают решение основной задачи, поставленной в настоящем исследовании: прогнозирование количественных и качественных результатов выращивания различных культур в заданных точках (микрозонах). Необходимо отметить, что данная система позволяет реализовать не все перечисленные задачи и находится в постоянном совершенствовании и развитии.

7.3. 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.

7.3.1. Постановка задачи и выбор метода
ее решения

7.3.1.1. 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, 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.

7.3.1.2. 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 7.12).

Рисунок 7. 12. 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.

7.3.1.3. 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.

7.3.1.4. 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»), 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.

7.3.1.5. 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.

7.3.2. Когнитивная структуризация, формальная
постановка задачи и синтез модели

7.3.2.1. Обоснование выбора метода
и концепция решения задачи

По-видимому, решение поставленных задач может быть получено путем применения системно-когнитивного анализа (СК-анализ) [82], – 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 [82].

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 работе [82] 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).

7.3.2.2. 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).

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

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 7.1) и детерминирующие их факторы (признаки) (таблица 7.2).

Таблица 7. 1 – КЛАССИФИКАЦИОННЫЕ ШКАЛЫ (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 7. 2 – 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 7.2 приведены наименования 172-х шкал для 4-х фаз. Аналогичны наименования и остальных шкал для всех 13 фаз (всего 559 шкал).

Таблица 7. 3 – 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 7.2, 7.3 и далее означает номер фазы и изменяется от 1 до 13.

В таблице 7.4 приведен способ кодирования азимута ветра.

Таблица 7. 4 – 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

Формализация предметной области

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

Формализация предметной области – это конструирование классификационных (таблица 7.5) и описательных шкал и градаций (таблицы 7.6 и 7.7), 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 [82].

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 51 – 53).

Таблица 7. 5 – 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 7. 6 – 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 7. 7 – 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
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

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.

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 7.8).

Таблица 7. 8 – 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

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

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

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

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

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

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 7.9.

Таблица 7. 9. Фрагмент таблицы исходных данных

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

Преобразование исходных данных в электронную форму

Этот этап работ представляет собой ввод исходных данных из бумажных журналов агрономов в электронную Excel-таблицу (таблица 7.9) и осуществлялся на компьютере вручную.

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.

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 7.10).

Таблица 7. 10 – 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 7.10) в стандарт внешней базы данных системы "Эйдос".

Экранная форма программного интерфейса имеет вид (рисунок 7.11).

Таблица 7. 11. 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 94.

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 7.12).

Рисунок 7. 13. Алгоритм программного интерфейса первого уровня с системой "Эйдос"

Таблица 7. 12 – ТАБЛИЦА ФАКТИЧЕСКИХ ПЕРИОДОВ ФЕНОФАЗ ПО 5 СОРТАМ ЯБЛОК ЗА 1993 – 2002 ГОДЫ (ФРАГМЕНТ)

Год	Сорт	Фенофаза
Год	Сорт	№	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
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 7.13), являющейся входной для системы "Эйдос".

Таблица 7. 13 – 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 полф	Длина поля	Дес.разр.	№	Имя поля	Тип полф	Длина поля	Дес.разр.	№	Имя поля	Тип полф	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
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 7.13 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 7.14.

Таблица 7. 14 – 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
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 7)
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

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 7.14, 7.15) INP12.DBF.

Рисунок 7. 14. Выход на режим импорта данных из внешней базы данных стандарта профессора А.Н.Лебедева

Рисунок 7. 15. 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.

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

Синтез семантической информационной модели (СИМ)

Синтез семантической информационной модели (СИМ) осуществляется в 5-м режиме 2-й подсистемы системы "Эйдос" (рисунок 7.16).

Рисунок 7. 16. Синтез семантической информационной модели

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 7.17.

Рисунок 7. 17. 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 исключены из модели без какого-либо ущерба для ее адекватности. 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.

Измерение адекватности СИМ

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

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 7.18).

3. Измерить адекватность модели (во 2-м режиме 6-й подсистемы) (рисунки 7.19 и 7.20).

Рисунок 7. 18. Выход на режим пакетного распознавания

Рисунок 7. 19. Выход на режим измерения адекватности

семантической информационной модели системы "Эйдос"

Рисунок 7. 20. 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 7.15) и ValAnkSt.txt (рисунок 7.21) стандарта "TXT-текст DOS" в поддиректории TXT.

Таблица 7. 15 – 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

╔═════╤══════╤═══════════════════════════════════════════╤═════╦═══════════╤═══════════╦═════════════╤═════════════╗

║ │ │ │Всего║ИДЕНТИФИЦИР│Неидентифиц║ИДЕНТИФИЦИРОВ│Неидентифицир║

║ N │ Код │ Наименование │логич╟─────┬─────┼─────┬─────╫──────┬──────┼──────┬──────╢

║ п/п │класса│ класса │анкет║ВЕРНО│Ошиб.│Верно│Ошиб.║ВЕРНО%│Ошиб.%│Верно%│Ошиб.%║

╠═════╪══════╪═══════════════════════════════════════════╪═════╬═════╪═════╪═════╪═════╬══════╪══════╪══════╪══════╣

║ 1 │ 1 │Джонатан (всего) - урожай: 10.00 │ 2║ 2│ 8│ 40│ 0║100.00│ 4.04│ 20.20│ 0.00║

║ 2 │ 2 │Джонатан (всего) - урожай: 11.00 │ 1║ 1│ 48│ 1│ 0║100.00│ 24.12│ 0.50│ 0.00║

║ 3 │ 3 │Джонатан (всего) - урожай: 12.00 │ 2║ 2│ 8│ 40│ 0║100.00│ 4.04│ 20.20│ 0.00║

║ 4 │ 4 │Джонатан (всего) - урожай: 13.00 │ 1║ 1│ 30│ 19│ 0║100.00│ 15.08│ 9.55│ 0.00║

║ 5 │ 5 │Джонатан (всего) - урожай: 14.00 │ 1║ 1│ 32│ 17│ 0║100.00│ 16.08│ 8.54│ 0.00║

║ 6 │ 6 │Джонатан (всего) - урожай: 15.00 │ 2║ 2│ 8│ 40│ 0║100.00│ 4.04│ 20.20│ 0.00║

║ 7 │ 7 │Джонатан (всего) - урожай: 5.00 │ 1║ 1│ 26│ 23│ 0║100.00│ 13.07│ 11.56│ 0.00║

║ 8 │ 8 │Ред Делишес (всего) - урожай: 10.00 │ 1║ 1│ 28│ 21│ 0║100.00│ 14.07│ 10.55│ 0.00║

║ 9 │ 9 │Ред Делишес (всего) - урожай: 14.00 │ 1║ 1│ 20│ 29│ 0║100.00│ 10.05│ 14.57│ 0.00║

║ 10 │ 10 │Ред Делишес (всего) - урожай: 15.00 │ 2║ 2│ 9│ 39│ 0║100.00│ 4.55│ 19.70│ 0.00║

║ 11 │ 11 │Ред Делишес (всего) - урожай: 16.00 │ 2║ 2│ 8│ 40│ 0║100.00│ 4.04│ 20.20│ 0.00║

║ 12 │ 12 │Ред Делишес (всего) - урожай: 18.00 │ 1║ 1│ 12│ 37│ 0║100.00│ 6.03│ 18.59│ 0.00║

║ 13 │ 13 │Ред Делишес (всего) - урожай: 19.00 │ 1║ 1│ 46│ 3│ 0║100.00│ 23.12│ 1.51│ 0.00║

║ 14 │ 14 │Ред Делишес (всего) - урожай: 24.00 │ 1║ 1│ 21│ 28│ 0║100.00│ 10.55│ 14.07│ 0.00║

║ 15 │ 15 │Ред Делишес (всего) - урожай: 27.00 │ 1║ 1│ 23│ 26│ 0║100.00│ 11.56│ 13.07│ 0.00║

║ 16 │ 16 │Ренет Симеренко (всего) - урожай: 12.00 │ 1║ 1│ 29│ 20│ 0║100.00│ 14.57│ 10.05│ 0.00║

║ 17 │ 17 │Ренет Симеренко (всего) - урожай: 15.00 │ 1║ 1│ 25│ 24│ 0║100.00│ 12.56│ 12.06│ 0.00║

║ 18 │ 18 │Ренет Симеренко (всего) - урожай: 16.00 │ 1║ 1│ 31│ 18│ 0║100.00│ 15.58│ 9.05│ 0.00║

║ 19 │ 19 │Ренет Симеренко (всего) - урожай: 17.00 │ 1║ 1│ 48│ 1│ 0║100.00│ 24.12│ 0.50│ 0.00║

║ 20 │ 20 │Ренет Симеренко (всего) - урожай: 20.00 │ 2║ 2│ 8│ 40│ 0║100.00│ 4.04│ 20.20│ 0.00║

║ 21 │ 21 │Ренет Симеренко (всего) - урожай: 22.00 │ 1║ 1│ 32│ 17│ 0║100.00│ 16.08│ 8.54│ 0.00║

║ 22 │ 22 │Ренет Симеренко (всего) - урожай: 28.00 │ 1║ 1│ 29│ 20│ 0║100.00│ 14.57│ 10.05│ 0.00║

║ 23 │ 23 │Ренет Симеренко (всего) - урожай: 3.00 │ 1║ 1│ 43│ 6│ 0║100.00│ 21.61│ 3.02│ 0.00║

║ 24 │ 24 │Ренет Симеренко (всего) - урожай: 4.00 │ 1║ 1│ 26│ 23│ 0║100.00│ 13.07│ 11.56│ 0.00║

║ 25 │ 25 │Ренет Шампанское (всего) - урожай: 10.00│ 1║ 1│ 41│ 8│ 0║100.00│ 20.60│ 4.02│ 0.00║

║ 26 │ 26 │Ренет Шампанское (всего) - урожай: 14.00│ 1║ 1│ 40│ 9│ 0║100.00│ 20.10│ 4.52│ 0.00║

║ 27 │ 27 │Ренет Шампанское (всего) - урожай: 15.00│ 1║ 1│ 33│ 16│ 0║100.00│ 16.58│ 8.04│ 0.00║

║ 28 │ 28 │Ренет Шампанское (всего) - урожай: 17.00│ 2║ 2│ 19│ 29│ 0║100.00│ 9.60│ 14.65│ 0.00║

║ 29 │ 29 │Ренет Шампанское (всего) - урожай: 21.00│ 1║ 1│ 35│ 14│ 0║100.00│ 17.59│ 7.04│ 0.00║

║ 30 │ 30 │Ренет Шампанское (всего) - урожай: 22.00│ 1║ 1│ 38│ 11│ 0║100.00│ 19.10│ 5.53│ 0.00║

║ 31 │ 31 │Ренет Шампанское (всего) - урожай: 23.00│ 1║ 1│ 27│ 22│ 0║100.00│ 13.57│ 11.06│ 0.00║

║ 32 │ 32 │Ренет Шампанское (всего) - урожай: 25.00│ 1║ 1│ 35│ 14│ 0║100.00│ 17.59│ 7.04│ 0.00║

║ 33 │ 33 │Ренет Шампанское (всего) - урожай: 27.00│ 1║ 1│ 32│ 17│ 0║100.00│ 16.08│ 8.54│ 0.00║

║ 34 │ 34 │Старкрымсон (всего) - урожай: 10.00 │ 1║ 1│ 34│ 15│ 0║100.00│ 17.09│ 7.54│ 0.00║

║ 35 │ 35 │Старкрымсон (всего) - урожай: 12.00 │ 2║ 2│ 10│ 38│ 0║100.00│ 5.05│ 19.19│ 0.00║

║ 36 │ 36 │Старкрымсон (всего) - урожай: 15.00 │ 2║ 2│ 8│ 40│ 0║100.00│ 4.04│ 20.20│ 0.00║

║ 37 │ 37 │Старкрымсон (всего) - урожай: 16.00 │ 2║ 2│ 9│ 39│ 0║100.00│ 4.55│ 19.70│ 0.00║

║ 38 │ 38 │Старкрымсон (всего) - урожай: 18.00 │ 1║ 1│ 47│ 2│ 0║100.00│ 23.62│ 1.01│ 0.00║

║ 39 │ 39 │Старкрымсон (всего) - урожай: 20.00 │ 1║ 1│ 21│ 28│ 0║100.00│ 10.55│ 14.07│ 0.00║

║ 40 │ 40 │Старкрымсон (всего) - урожай: 9.00 │ 1║ 1│ 40│ 9│ 0║100.00│ 20.10│ 4.52│ 0.00║

║ 41 │ 41 │Джонатан (1-й сорт) - урожай: 12.00 │ 3║ 3│ 9│ 38│ 0║100.00│ 4.57│ 19.29│ 0.00║

║ 42 │ 42 │Джонатан (1-й сорт) - урожай: 13.00 │ 1║ 1│ 26│ 23│ 0║100.00│ 13.07│ 11.56│ 0.00║

║ 43 │ 43 │Джонатан (1-й сорт) - урожай: 14.00 │ 2║ 2│ 10│ 38│ 0║100.00│ 5.05│ 19.19│ 0.00║

║ 44 │ 44 │Джонатан (1-й сорт) - урожай: 3.00 │ 1║ 1│ 26│ 23│ 0║100.00│ 13.07│ 11.56│ 0.00║

║ 45 │ 45 │Джонатан (1-й сорт) - урожай: 7.00 │ 1║ 1│ 43│ 6│ 0║100.00│ 21.61│ 3.02│ 0.00║

║ 46 │ 46 │Джонатан (1-й сорт) - урожай: 9.00 │ 2║ 2│ 8│ 40│ 0║100.00│ 4.04│ 20.20│ 0.00║

║ 47 │ 47 │Ред Делишес (1-й сорт) - урожай: 13.00 │ 1║ 1│ 20│ 29│ 0║100.00│ 10.05│ 14.57│ 0.00║

║ 48 │ 48 │Ред Делишес (1-й сорт) - урожай: 14.00 │ 2║ 2│ 9│ 39│ 0║100.00│ 4.55│ 19.70│ 0.00║

║ 49 │ 49 │Ред Делишес (1-й сорт) - урожай: 15.00 │ 2║ 2│ 8│ 40│ 0║100.00│ 4.04│ 20.20│ 0.00║

║ 50 │ 50 │Ред Делишес (1-й сорт) - урожай: 17.00 │ 1║ 1│ 12│ 37│ 0║100.00│ 6.03│ 18.59│ 0.00║

║ 51 │ 51 │Ред Делишес (1-й сорт) - урожай: 18.00 │ 1║ 1│ 46│ 3│ 0║100.00│ 23.12│ 1.51│ 0.00║

║ 52 │ 52 │Ред Делишес (1-й сорт) - урожай: 23.00 │ 1║ 1│ 21│ 28│ 0║100.00│ 10.55│ 14.07│ 0.00║

║ 53 │ 53 │Ред Делишес (1-й сорт) - урожай: 25.00 │ 1║ 1│ 23│ 26│ 0║100.00│ 11.56│ 13.07│ 0.00║

║ 54 │ 54 │Ред Делишес (1-й сорт) - урожай: 9.00 │ 1║ 1│ 28│ 21│ 0║100.00│ 14.07│ 10.55│ 0.00║

║ 55 │ 55 │Ренет Симеренко (1-й сорт) - урожай: 11.00 │ 1║ 1│ 29│ 20│ 0║100.00│ 14.57│ 10.05│ 0.00║

║ 56 │ 56 │Ренет Симеренко (1-й сорт) - урожай: 14.00 │ 2║ 2│ 8│ 40│ 0║100.00│ 4.04│ 20.20│ 0.00║

║ 57 │ 57 │Ренет Симеренко (1-й сорт) - урожай: 15.00 │ 1║ 1│ 48│ 1│ 0║100.00│ 24.12│ 0.50│ 0.00║

║ 58 │ 58 │Ренет Симеренко (1-й сорт) - урожай: 18.00 │ 2║ 2│ 8│ 40│ 0║100.00│ 4.04│ 20.20│ 0.00║

║ 59 │ 59 │Ренет Симеренко (1-й сорт) - урожай: 19.00 │ 1║ 1│ 32│ 17│ 0║100.00│ 16.08│ 8.54│ 0.00║

║ 60 │ 60 │Ренет Симеренко (1-й сорт) - урожай: 26.00 │ 1║ 1│ 29│ 20│ 0║100.00│ 14.57│ 10.05│ 0.00║

║ 61 │ 61 │Ренет Симеренко (1-й сорт) - урожай: 3.00 │ 2║ 2│ 8│ 40│ 0║100.00│ 4.04│ 20.20│ 0.00║

║ 62 │ 62 │Ренет Шампанское (1-й сорт) - урожай: 13.00│ 2║ 2│ 13│ 35│ 0║100.00│ 6.57│ 17.68│ 0.00║

║ 63 │ 63 │Ренет Шампанское (1-й сорт) - урожай: 15.00│ 1║ 1│ 33│ 16│ 0║100.00│ 16.58│ 8.04│ 0.00║

║ 64 │ 64 │Ренет Шампанское (1-й сорт) - урожай: 16.00│ 1║ 1│ 48│ 1│ 0║100.00│ 24.12│ 0.50│ 0.00║

║ 65 │ 65 │Ренет Шампанское (1-й сорт) - урожай: 19.00│ 1║ 1│ 35│ 14│ 0║100.00│ 17.59│ 7.04│ 0.00║

║ 66 │ 66 │Ренет Шампанское (1-й сорт) - урожай: 20.00│ 2║ 2│ 9│ 39│ 0║100.00│ 4.55│ 19.70│ 0.00║

║ 67 │ 67 │Ренет Шампанское (1-й сорт) - урожай: 24.00│ 2║ 2│ 12│ 36│ 0║100.00│ 6.06│ 18.18│ 0.00║

║ 68 │ 68 │Ренет Шампанское (1-й сорт) - урожай: 8.00 │ 1║ 1│ 41│ 8│ 0║100.00│ 20.60│ 4.02│ 0.00║

║ 69 │ 69 │Старкрымсон (1-й сорт) - урожай: 11.00 │ 2║ 2│ 10│ 38│ 0║100.00│ 5.05│ 19.19│ 0.00║

║ 70 │ 70 │Старкрымсон (1-й сорт) - урожай: 13.00 │ 1║ 1│ 26│ 23│ 0║100.00│ 13.07│ 11.56│ 0.00║

║ 71 │ 71 │Старкрымсон (1-й сорт) - урожай: 14.00 │ 3║ 3│ 8│ 39│ 0║100.00│ 4.06│ 19.80│ 0.00║

║ 72 │ 72 │Старкрымсон (1-й сорт) - урожай: 17.00 │ 2║ 2│ 10│ 38│ 0║100.00│ 5.05│ 19.19│ 0.00║

║ 73 │ 73 │Старкрымсон (1-й сорт) - урожай: 7.00 │ 1║ 1│ 34│ 15│ 0║100.00│ 17.09│ 7.54│ 0.00║

║ 74 │ 74 │Старкрымсон (1-й сорт) - урожай: 8.00 │ 1║ 1│ 40│ 9│ 0║100.00│ 20.10│ 4.52│ 0.00║

║ 75 │ 75 │Джонатан (2-й сорт) - урожай: 0.00 │ 1║ 1│ 32│ 17│ 0║100.00│ 16.08│ 8.54│ 0.00║

║ 76 │ 76 │Джонатан (2-й сорт) - урожай: 1.00 │ 7║ 7│ 7│ 36│ 0║100.00│ 3.63│ 18.65│ 0.00║

║ 77 │ 77 │Джонатан (2-й сорт) - урожай: 15.00 │ 1║ 1│ 48│ 1│ 0║100.00│ 24.12│ 0.50│ 0.00║

║ 78 │ 78 │Джонатан (2-й сорт) - урожай: 2.00 │ 1║ 1│ 43│ 6│ 0║100.00│ 21.61│ 3.02│ 0.00║

║ 79 │ 79 │Ред Делишес (2-й сорт) - урожай: 1.00 │ 9║ 6│ 0│ 41│ 3║ 66.67│ 0.00│ 21.47│ 33.33║

║ 80 │ 80 │Ред Делишес (2-й сорт) - урожай: 2.00 │ 1║ 1│ 23│ 26│ 0║100.00│ 11.56│ 13.07│ 0.00║

║ 81 │ 81 │Ренет Симеренко (2-й сорт) - урожай: 0.00 │ 2║ 2│ 8│ 40│ 0║100.00│ 4.04│ 20.20│ 0.00║

║ 82 │ 82 │Ренет Симеренко (2-й сорт) - урожай: 1.00 │ 5║ 5│ 6│ 39│ 0║100.00│ 3.08│ 20.00│ 0.00║

║ 83 │ 83 │Ренет Симеренко (2-й сорт) - урожай: 2.00 │ 3║ 3│ 10│ 37│ 0║100.00│ 5.08│ 18.78│ 0.00║

║ 84 │ 84 │Ренет Шампанское (2-й сорт) - урожай: 1.00 │ 5║ 5│ 2│ 43│ 0║100.00│ 1.03│ 22.05│ 0.00║

║ 85 │ 85 │Ренет Шампанское (2-й сорт) - урожай: 2.00 │ 4║ 4│ 2│ 44│ 0║100.00│ 1.02│ 22.45│ 0.00║

║ 86 │ 86 │Ренет Шампанское (2-й сорт) - урожай: 3.00 │ 1║ 1│ 27│ 22│ 0║100.00│ 13.57│ 11.06│ 0.00║

║ 87 │ 87 │Старкрымсон (2-й сорт) - урожай: 1.00 │ 8║ 8│ 0│ 42│ 0║100.00│ 0.00│ 21.88│ 0.00║

║ 88 │ 88 │Старкрымсон (2-й сорт) - урожай: 2.00 │ 1║ 1│ 34│ 15│ 0║100.00│ 17.09│ 7.54│ 0.00║

║ 89 │ 89 │Старкрымсон (2-й сорт) - урожай: 3.00 │ 1║ 1│ 21│ 28│ 0║100.00│ 10.55│ 14.07│ 0.00║

║ 90 │ 90 │Джонатан (3-й сорт) - урожай: 0.00 │ 7║ 7│ 8│ 35│ 0║100.00│ 4.15│ 18.13│ 0.00║

║ 91 │ 91 │Джонатан (3-й сорт) - урожай: 1.00 │ 3║ 3│ 11│ 36│ 0║100.00│ 5.58│ 18.27│ 0.00║

║ 92 │ 92 │Ред Делишес (3-й сорт) - урожай: 0.00 │ 7║ 6│ 2│ 41│ 1║ 85.71│ 1.04│ 21.24│ 14.29║

║ 93 │ 93 │Ред Делишес (3-й сорт) - урожай: 1.00 │ 3║ 3│ 2│ 45│ 0║100.00│ 1.02│ 22.84│ 0.00║

║ 94 │ 94 │Ренет Симеренко (3-й сорт) - урожай: 0.00 │ 7║ 7│ 12│ 31│ 0║100.00│ 6.22│ 16.06│ 0.00║

║ 95 │ 95 │Ренет Симеренко (3-й сорт) - урожай: 1.00 │ 3║ 3│ 7│ 40│ 0║100.00│ 3.55│ 20.30│ 0.00║

║ 96 │ 96 │Ренет Шампанское (3-й сорт) - урожай: 0.00 │ 2║ 2│ 22│ 26│ 0║100.00│ 11.11│ 13.13│ 0.00║

║ 97 │ 97 │Ренет Шампанское (3-й сорт) - урожай: 1.00 │ 8║ 8│ 0│ 42│ 0║100.00│ 0.00│ 21.88│ 0.00║

║ 98 │ 98 │Старкрымсон (3-й сорт) - урожай: 0.00 │ 4║ 4│ 2│ 44│ 0║100.00│ 1.02│ 22.45│ 0.00║

║ 99 │ 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 7. 21. 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 7.15, рассчитывается как средневзвешенная на основе карточек прогнозирования, представленных на рисунке 7.22.

Рисунок 7. 22. 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 7.23.

Рисунок 7. 23. 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 7.24), обобщены системой, в результате чего сформирован обобщенный информационный портрет системы факторов, действие которых приводит к данному результату (рисунок 7.25). Эта задача иногда называется задачей "Типизации лет".

Рисунок 7. 24. Пример карточки прогнозирования конкретного результата выращивания данного сорта яблок за 10 лет
(с 1993 по 2003)

Рисунок 7. 25. 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 7.15.

"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.

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).

2. Выбрать один из режимов удаления объектов обучающей выборки, приведенный на экранной форме (бутстрепный метод) (рисунок 7.26).

Внешняя валидность модели не измерялась, т.к. по каждому результату выращивания по данным обучающей выборки было представлено, как правило, всего несколько примеров (рисунок 7.27 и таблица 7.16).

Рисунок 7. 26. Режим переноса анкет обучающей выборки
в распознаваемую для измерения внешней валидности

Рисунок 7. 27. Частотное распределение объектов обучающей выборки по классам (количественным и качественным результатам выращивания различных сортов яблок)

Таблица 7. 16 – 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
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
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.

7.3.2.4. 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.

7.3.3. Исследование семантический
информационной модели

7.3.3.1. 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.

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.

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.

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 7.28).

Рисунок 7. 28. 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 7.17, а затем вводим ее в систему и запускаем режим прогнозирования.

Таблица 7. 17 – 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 |

| 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 |

| 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 7.18):

Таблица 7. 18 – 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 7.29), получаем карточку в выходной форме (рисунок 7.30) и в таблице 63.


Рисунок 7. 29. Запуск режима вывода результатов прогнозирования	Рисунок 7. 30. Вывод карточки результатов прогнозирования (экранная форма)

Таблица 7. 19 – РЕЗУЛЬТАТ ИДЕНТИФИКАЦИИ
ИНФОРМАЦИОННОГО ИСТОЧНИКА

22-05-04 14:33:20

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

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

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

¦Код ¦ Наименование класса распознавания ¦ %ў ¦

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

¦ 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¦

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

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

¦ 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.

7.3.3.2. 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, но для семечковых, в частности яблок, насколько нам известно, конкретные предпосылки для решения этих задач впервые создаются именно данной работой.

7.3.3.3. 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.

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

Эти возможности обеспечиваются режимами 5-й подсистемы "Типология" (рисунок 7.31).

Рисунок 7. 31. 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 7.20 и 7.21) и в форме семантических сетей (рисунок 7.32).

Таблица 7. 20 – 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 7.21).

Таблица 7. 21 – 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- |

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

| 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 7.32).

Рисунок 7. 32. Семантическая сеть классов

Аналогичные формы генерируются и по факторам (таблицы 7.22 и 7.23).

Таблица 7. 22 – 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 7. 23 – 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- |

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

| | 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|

| | 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|

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

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

Система обеспечивает сравнение влияния двух факторов на количественные и качественные результаты выращивания яблок (рисунок 7.33).

Рисунок 7. 33. Сравнение влияния двух факторов на количественные и качественные результаты выращивания яблок

7.3.3.5. 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.

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

7.3.4.1. 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. 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.

7.3.4.2. 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.

7.3.4.3. 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.

7.3.4.4. 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.

7.3.4.5. Выводы

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

7.3.5. 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.

7.4. Совершенствование методов компьютерной
селекции подсолнечника

Исследование посвящено решению актуальных задач прогнозирования и поддержки принятия решений при выборе растений для селекции методом отбора, на основе выявления и использования знания причинно-следственных зависимостей между непосредственно наблюдаемыми фенотипическими признаками растений и их хозяйственными свойствами, являющимися целями селекции.

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, а именно методов «компьютерной селекции», для решения поставленных задач.

В разделе 2: "Когнитивная структуризация, формальная постановка задач и синтез модели" обоснованы выбор метода и концепция решения задач, дано краткое описание метода системно-когнитивного анализа (СК-анализ) с учетом его применения для решения поставленных задач, раскрыты его теоретические предпосылки, описаны математическая модель, методика численных расчетов, специальный программный инструментарий (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 Excel-форма для представления исходных данных; применен программный интерфейс СК-анализа для преобразования исходных данных из этой формы в базы данных системы "Эйдос"; а затем и осуществлен 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. Это значит, что ей корректно пользоваться для решения поставленных задач.

В разделе 3: "Исследование семантический информационной модели" решены следующие задачи: выявлены причинно-следственные зависимости между фенотипическими признаками подсолнечника и его хозяйственными свойствами; разработана методика прогнозирования хозяйственных свойств растений подсолнечника на основе анализа их фенотипических признаков; разработана методика поддержки принятия решений по отбору растений для селекции не по их хозяйственным свойствам, а на основе анализа фенотипических признаков. 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 научно-селекционных и образовательных организациях. 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.

7.4.1. Постановка задачи и выбор метода
ее решения

7.4.1.1. Проблема, решаемая в работе,
традиционные пути ее решения
и их недостатки

При селекции методом отбора для следующих поколений отбираются лучшие по генотипу растения. Лучшим считается генотип, детерминирующий наилучшие по заданным критериям хозяйственные свойства растений.

Однако исследования на уровне генома, дающие информацию о том, какие конкретно гены и их сочетания детерминируют заданные целевые хозяйственные свойства, весьма дороги, трудоемки, требуют очень высокого уровня квалификации исследователей, значительного времени и первоклассного оборудования. Все это делает весьма проблематичным и даже практически невозможным отбор конкретных растений для следующих селекционных поколений путем анализа их генома и сравнения его с оптимальным.

Поэтому традиционным является отбор растений по их целевым хозяйственным свойствам. В случае подсолнечника, это его морозостойкость, вес семян с одного растения и с гектара, выход масла с единицы веса семян и с гектара посевов подсолнечника. Однако и количественная оценка хозяйственных свойств конкретных растений требует специальных инструментальных измерений, например веса и выхода масла, которые сложно провести в полевых условиях.

Таким образом, проблема, решаемая в работе, состоит в разработке полевой неинструментальной экспресс-методики, обеспечивающей оценку того, обладает ли генотип данного конкретного растения заданными целевыми свойствами. При этом не должно осуществляться непосредственного исследования генотипа и не должны использоваться какие-либо специальные инструментальные измерения хозяйственных характеристик растений.

7.4.1.2. Идея решения проблемы

Идея решения проблемы состоит в следующем.

Генотип растения детерминирует не только его хозяйственные свойства, но и фенотипические признаки. Поэтому по фенотипическим признакам растения можно судить не только о его генотипе, но и его хозяйственных свойствах. Фенотипические же признаки устанавливаются непосредственно визуально или их оценка может потребовать простых измерений с помощью рулетки или мерного шеста.

Поэтому предлагается следующая идея: если выявить зависимости хозяйственных свойств растений от их фенотипических признаков, то можно косвенно оценивать, т.е. по сути измерять, эти хозяйственные свойства по фенотипическим признакам, естественно, с определенной степенью надежности, которую необходимо контролировать.

Правда необходимо отметить, что на фенотипические признаки, кроме генотипа растения, оказывают влияние также и внешние для растения факторы. Эти внешние факторы можно разделить на две основные группы по степени их зависимости от воли человека:

1. Факторы окружающей среды (прежде всего виды почв и метеорологические факторы) практически не зависят от человека.

2. Технологические факторы, т.е. связанные с использованием различных агротехнологий (вспашка, нормы высева, способы удобрения и защиты растений, полив, освещение, севооборот, и т.д.) во многом зависят от человека.

Исследование влияния почв и метеорологических факторов на количественные и качественные результаты выращивания плодовых культур проводились И.А.Драгавцевой, Е.В.Луценко и Л.М.Лопатиной исследования. По семечковым, в частности яблокам, подобная работа, насколько известно по литературным данным, по-видимому, впервые проведена А.М.Максимовым под научным руководством Е.В.Луценко. Влияние технологических факторов на количественные и качественные результаты выращивания зерновых колосовых изучалось О.А.Засухиной и Е.В.Луценко [82, 83].

Способ учета влияния всех этих внешних факторов один и тот же и не отличается от способа выявления зависимостей между фенотипом и хозяйственными свойствами растений. Это означает, что технически мы могли бы исследовать все эти группы факторов в комплексе. Однако в данном исследовании учитывать мы этого делать не будем по двум основным причинам:

– первое: в процессах многолетней селекции подсолнечника морозоустойчивого сорта «Победа» в агрономических журналах не фиксировались внешние факторы;

– второе: внешние факторы выращивания не менялись в процессе селекции, т.е. выращивание осуществлялось в одной микрозоне с постоянными метеоусловиями и по одной технологии. Поэтому даже если бы эти факторы и учитывались в журналах, их влияние на хозяйственные свойства изучить не представлялось бы возможным из-за практически полного отсутствия вариабельности по этим факторам.

Поэтому в данном исследовании внешними факторами вполне корректно можно пренебречь.

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

Актуальность для науки данной работы определяется также ее научной новизной. Как уже упоминалось выше, в какой-то мере сходные исследования и разработки проводились И.А. Драгавцевой, Л.М.Лопатиной, Е.В.Луценко, О.А.Засухиной, А.М.Максимовым,. Однако исследование взаимосвязи фенотипа и хозяйственных свойств подсолнечника, в частности для морозоустойчивого сорта «Победа», с целями совершенствования методов его компьютерной селекции, по всей видимости проведено впервые, в этом и состоит научная новизна данной работы.

Актуальность для практики темы работы определяется возможностью применения ее результатов в практике работы научно-селекционных и образовательных организаций.

В научно-селекционных организациях разработанные методы компьютерной селекции позволяют существенно снизить затраты различных видов ресурсов, прежде всего времени и финансовых средств, на проведение селекционной работы методом отбора лучших по генотипу растений и использования их для формирования следующего селекционного поколения.

В учебном процессе методика разработки и решения перечисленных выше задач может быть использована для разработки полноценной лабораторной работы по дисциплине: "Интеллектуальные информационные системы", изучаемой на 5-м курсе специальности 351400 – Прикладная информатика.

Таким образом, объектом исследования является изучение взаимосвязи фенотипа и хозяйственных свойств культурных растений.

Предмет исследования состоит в изучении взаимосвязи фенотипа и хозяйственных свойств подсолнечника.

Цель исследования: выявление причинно-следственных зависимостей между фенотипом и хозяйственными свойствами подсолнечника сорта «Победа», и, на основе этого, разработка неинструментальной полевой методики прогнозирования хозяйственных свойств и поддержки принятия решений по отбору растений для следующего селекционного поколения.

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

Источники исходных данных

Основой для выполнения данной работы являются данные, предоставленные научно-селекционной агрофирмой ООО «Эверест-Олвик», специализирующейся на селекции морозоустойчивых высокотехнологичных сортов подсолнечника, прежде всего совершенствовании сорта «Победа».

Агрофирму ООО «Эверест-Олвик» создал и уже более 13 лет бессменно возглавляет известный ученый, продолжатель дела академика В.С.Пустовойта, ученик академика И.А. Рапопорта, заслуженный деятель науки Кубани, профессор, доктор сельскохозяйственных наук Ашот Андраникович Калайджян – автор 225 научных работ, 3-х монографий и двух новых сортов подсолнечника Салют и Победа. Сегодня возглавляемая им агрофирма – одно из ведущих хозяйств России по выведению новых сортов подсолнечника.

Характеристика исходных данных

Первичная форма существования исходных данных – это полевые журналы агрономов-селекционеров, в которых они на протяжении 25 лет проведения селекционной работы по сорту «Победа» фиксировали регенеративные (хозяйственные) и вегетативные (фенотипические) характеристики растений на различных делянках.

Для исследования в данной работе выбраны данные за 10 лет: с 1994 по 2003 годы, по 100 делянок на каждый год. Анализ этих данных показывает, что они отражают не все возможные сочетания значений признаков.

7.4.1.5. Выводы

Традиционные методы обработки имеющихся исходных данных не обеспечивают решение поставленных задач и необходимо использование нового подхода, обеспечивающего выявление зависимостей между хозяйственными свойствами растений подсолнечника и их фенотипическими признаками при неполных (фрагментированных) данных.

7.4.2. Когнитивная структуризация, формальная
постановка задачи и синтез модели

7.4.2.1. Обоснование выбора метода
и концепция решения задачи

Традиционные методы решения и их недостатки

Традиционные статистические модели требуют информации о результатах действия всех сочетаний исследуемых факторов («повторности»). В исследуемой предметной области это требование на практике сложно достижимо.

Таким образом, можно сделать вывод, что для моделирования такого сложного и малоисследованного объекта, каким является подсолнечник в процессе селекции, применение традиционных математических моделей является проблематичным.

Выбор метода системно-когнитивного анализа

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

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

3. Синтез семантической информационной модели (СИМ).

4. Оптимизация СИМ.

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

6. Анализ СИМ.

Важной особенностью СК-анализе является возможность единообразной числовой обработки разнотипных числовых и нечисловых данных. Это обеспечивается тем, что 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:

Учитывая эти этапы СК-анализа выполним декомпозицию цели работы в ряд задач, решение которых обеспечит ее поэтапное достижение:

3. Разработка Excel-формы для представления исходных данных.

4. Преобразование исходных данных в Excel-форму.

5. Контроль достоверности исходных данных и исправление ошибок.

6. 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").

7. Синтез семантической информационной модели (СИМ).

8. Оптимизация СИМ.

9. Измерение адекватности СИМ.

10. Задача 1: выявление причинно-следственных зависимостей между фенотипическими признаками подсолнечника и его хозяйственными свойствами;

11. Задача 2: разработка методики прогнозирования хозяйственных свойств растений подсолнечника на основе анализа их фенотипических признаков;

12. Задача 3: разработка методики поддержки принятия решений по отбору растений для селекции не по их хозяйственным свойствам, а на основе анализа фенотипических признаков.

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

– в научно-селекционных организациях;

– в образовательных учреждениях.

14. Исследование ограничений разработанной технологии и перспектив ее развития.

7.4.2.2. 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;

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

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

Когнитивная структуризация предметной области

Под когнитивной структуризацией в общем случае понимается определение будущих, как желательных (целевых), так и нежелательных состояний объекта исследования и управления, а также системы факторов, детерминирующих эти 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 будущие состояния объекта рассматриваются хозяйственные свойства, а как факторы – фенотипические признаки. Поэтому под когнитивной структуризацией в данной работе понимается определение хозяйственных свойств, как желательных (целевых), так и нежелательных, а также системы фенотипических признаков, связанных с этими хозяйственными свойствами.

Предлагаем для исследования в модели следующие состояния объекта исследования (классы) (таблица 7.24) и детерминирующие их факторы (признаки) (таблица 7.25).

Таблица 7. 24 – КЛАССИФИКАЦИОННЫЕ ШКАЛЫ

Код	Наименование класса
1	Год
2	Урожайность (г.)
3	Сборы масла (г.)
4	Средняя масличность (%)
5	Натура (г/л)

Таблица 7. 25 – ОПИСАТЕЛЬНЫЕ ШКАЛЫ (ФАКТОРЫ)

Код	Наименование класса
1	Вес семян с 1 корзины (г.)
2	Время посева
3	Высота растения (см.)
4	Облиственность (шт.)
5	Диаметр корзины (см.)

Формализация предметной области

Формализация предметной области – это конструирование классификационных (таблица 7.26) и описательных шкал и градаций (таблица 7.27), 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, т.е. шкалы и градации представляются в закодированной форме. [82].

Таблица 7. 26 – КЛАССИФИКАЦИОННЫЕ ШКАЛЫ И ГРАДАЦИИ (КЛАССЫ)

Код	Наименование класса
1	Год
1	1994
2	1995
3	1996
4	1997
5	1998
6	1999
7	2000
8	2001
9	2002
10	2003
2	Урожайность (г.)
11	менее 400
12	[400, 500)
13	[500, 600)
14	[600, 700)
15	[700, 800)
16	800 и более
3	Сборы масла (г.)
17	менее 200
18	[ 200, 250)
19	[ 250, 300)
20	[300, 350)
21	[350, 400)
22	400 и более
4	Средняя масличность(%)
23	менее 50
24	[ 50, 51)
25	51, 52
26	52, 53
27	53, 54
28	54 и более
5	Натура (г/л)
29	менее 420
30	420, 430
31	430, 440
32	440, 450
33	450, 460
34	460, 470
35	470 и более

Таблица 7. 27 – ОПИСАТЕЛЬНЫЕ ШКАЛЫ И ГРАДАЦИИ (ФАКТОРЫ)

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

| Код | Н а и м е н о в а н и я |

| призн| шкал и градаций признаков |

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

|[ 1]| ВЕС СЕМЯН С 1 КОРЗИНЫ (Г) |

| 1 | менее 60 |

| 2 | [60, 70) |

| 3 | [70, 80) |

| 4 | [80, 90) |

| 5 | [90, 100) |

| 6 | 100 и более |

|~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~|

|[ 2]| ВРЕМЯ ПОСЕВА |

| 7 | ПОЗДНЕЗИМНИЙ (ДЕКАБРЬ) |

| 8 | РАННЕВЕСЕННИЙ(ФЕВРАЛЬ) |

| 9 | ОПТИМАЛЬНЫЙ |

|~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~|

|[ 3]| ВЫСОТА РАСТЕНИЯ (см.) |

| 10 | менее 50 |

| 11 | [50, 80) |

| 12 | [80, 110) |

| 13 | [110, 140) |

| 14 | [140, 170) |

| 15 | [170, 200) |

| 16 | 200 и более |

|~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~|

|[ 4]| ОБЛИСТВЕННОСТЬ (шт.) |

| 17 | менее 30 |

| 18 | 30 |

| 19 | 31 |

| 20 | 32 |

| 21 | 33 |

| 22 | 34 |

| 23 | 35 |

| 24 | 35 и более |

|~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~|

|[ 5]| ДИАМЕТР КОРЗИНЫ (см.) |

| 25 | менее 19 |

| 26 | 19 |

| 27 | 20 |

| 28 | 21 |

| 29 | 22 |

| 30 | 23 |

| 31 | 24 |

| 32 | 24 и более |

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

Основываясь на этих соображениях нами, прежде всего, было определено количество диапазонов значений для каждого фактора.

Затем были определены границы каждого диапазона. Для этого:

– для каждого фактора были определены минимальное и максимальное значения;

– весь интервал значений был разделен на несколько равных частей, в общем случае разное для различных факторов. Равенство интервалов в каждой из шкал означает, что фактически эти шкалы являются не порядковыми, как выглядит на первый взгляд, а шкалами отношений.

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

В научно-селекционной агрофирмой ООО «Эверест-Олвик» организован и ведется систематический сбор и учет данных, необходимых для селекции подсолнечника. Основной объем этой информации составляли журналы агрономов. Эта информация по выбранным для обработки показателям была любезно предоставлена для выполнения данной работы.

Разработка электронной формы для представления исходных данных

Для ввода исходных данных непосредственно из журналов агрономов была разработана Excel-таблица, фрагмент которой приводится ниже (таблица 7.28).

Каждая строка таблицы содержит закодированные данные по одной делянке за определенный год: 1-й столбец – порядковый номер, 2-й – год и номер делянки, столбцы с 3-го по 7-й – коды классов согласно таблицы 7.26, а столбцы с 8-го по 12-й – коды значений факторов (таблица 7.27), всего 1000 строк за период с 1994 по 2003 годы, по 100 делянок за год. Полностью таблица с обучающей выборкой в данной работе не приводится из-за ее большого объема.

Таблица 7. 28 – ФРАГМЕНТ EXCEL-ТАБЛИЦЫ ДЛЯ ВВОДА ИСХОДНЫХ ДАННЫХ

№ примера	Год, № делянки	Коды классов					Коды значений факторов
01	02	03	04	05	06	07	08	09	10	11	12
1	1994-1521	1	14	20	26	32	1	7	16	18	29
2	1994-1522	1	14	21	28	35	4	7	16	17	29
3	1994-1523	1	15	22	28	34	4	7	15	22	25
4	1994-1527	1	15	21	28	32	5	7	16	19	27
5	1994-1528	1	15	21	26	33	5	7	16	20	28
6	1994-1529	1	14	20	23	35	5	7	15	20	27
7	1994-1535	1	12	18	27	35	1	7	15	17	25
8	1994-1537	1	13	20	25	32	4	7	15	19	27
9	1994-1541	1	16	22	26	30	3	7	15	19	26
10	1994-1545	1	14	20	27	33	3	7	15	17	26

Преобразование исходных данных в электронную форму

Этот этап работ представляет собой кодирование с использованием таблиц 7.26, 7.27 и ввод исходных данных из бумажных журналов агрономов в электронную Excel-таблицу (таблица 7.28) и осуществлялся на компьютере вручную.

Контроль достоверности исходных данных и исправление ошибок

После ввода исходных данных в Excel-таблицу, который осуществлялся вручную, была осуществлена выборочная проверка, которая показала правильность кодирования и ввода исходной информации.

Импорт исходных данных из входной электронной формы в базы данных системы "Эйдос"

Для этой цели использовалась специально разработанная программа, алгоритм и исходный текст которой приведены ниже (рисунок 7.34).

Рисунок 7. 34. Алгоритм программного интерфейса импорта исходных данных из входной Excel-формы в базы данных системы "Эйдос"

ИСХОДНЫЙ ТЕКСТ ПРОГРАММНОГО ИНТЕРФЕЙСА

* ВВОД ОБУЧАЮЩЕЙ ВЫБОРКИ В СИСТЕМУ "ЭЙДОС" ИЗ ФАЙЛА INP_12.DBF

scr23 = SAVESCREEN(0,0,24,79)

SET CURSOR OFF

SET DATE ITALIAN

SET DECIMALS TO 15

SET ESCAPE On

FOR J=0 TO 24

@J,0 SAY REPLICATE(" ",80) COLOR "rg+/N"

NEXT

SHOWTIME(0,60,.F.,"rg+/n",.F.,.F.)

Mess3 = " === ГЕНЕРАЦИЯ СЛУЧАЙНОЙ ОБУЧАЮЩЕЙ ВЫБОРКИ === "

@6,40-LEN(Mess3)/2 SAY Mess3 COLOR "rg+/rb"

USE Inp_12 EXCLUSIVE NEW

USE ObInfZag EXCLUSIVE NEW;ZAP

USE ObInfKpr EXCLUSIVE NEW;ZAP

SELECT Inp_12

N_Rec = RECCOUNT()

x = 0

DBGOTOP()

@24,0 SAY REPLICATE("█",80) COLOR "rb/n"

DO WHILE .NOT. EOF()

****** Генерация массива кодов классов и признаков БД Inp_12.dbf

SELECT Inp_12

Ak := {}

FOR j=1 TO 12

AADD(Ak,FIELDGET(j))

NEXT

****** Запись массива кодов признаков в БД ObInfZag

SELECT ObInfZag

APPEND BLANK

FOR j=1 TO 7

FIELDPUT(j,Ak[j])

NEXT

****** Запись массива кодов признаков в БД ObInfKpr

SELECT ObInfKpr

APPEND BLANK

FIELDPUT(1,Ak[1])

FOR j=8 TO 12

FIELDPUT(j-6,Ak[j])

NEXT

p=++x/N_Rec*100;p=IF(p<=100,p,100)

@24,0 SAY STR(p,3)+"%" COLOR "w+/r+"

@24,4 SAY REPLICATE("█",0.76*p) COLOR "rb+/n"

SELECT Inp_12

DBSKIP(1)

ENDDO

Mess4 = " === ПЕРЕИНДЕКСАЦИЯ === "

@8,40-LEN(Mess4)/2 SAY Mess4 COLOR "rg+/rb"

CLOSE ALL

USE ObInfZag EXCLUSIVE NEW

INDEX ON STR(Kod_Ist,5) TO Oiza_ist

INDEX ON Name_ist TO Oiza_nis

INDEX ON STR(Obj_1,4) TO Oiza_obj

INDEX ON DTOS(Date_ank) TO Oiza_dat

INDEX ON Time_edit TO Oiza_tim

INDEX ON STR(Kod_Old,5) TO Oiza_old

CLOSE ALL

USE ObInfKpr EXCLUSIVE NEW

INDEX ON STR(Kod_Ist,5) TO OIkpr_is

CLOSE ALL

Mess = " ПРОЦЕСС ГЕНЕРАЦИИ ЗАВЕРШЕН УСПЕШНО !!! "

@14,40-LEN(Mess)/2 SAY Mess COLOR "rg+/rb"

INKEY(0)

RESTSCREEN(0,0,24,79,scr23)

CLOSE ALL

QUIT

Приведенный программный интерфейс обеспечивает автоматический ввод обучающей выборки из Excel-файла с входной информацией в соответствующие базы данных системы "Эйдос".

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

Синтез семантической информационной модели (СИМ)

Синтез семантической информационной модели (СИМ) осуществляется в 5-м режиме 2-й подсистемы системы "Эйдос" (рисунок 7.35).

Рисунок 7. 35. Синтез семантической информационной модели

Оптимизация СИМ

Рисунок 7. 36. Паретто-кривая "Сила влияния различных градаций факторов на получение различных результатов выращивания "нарастающим итогом"

Из рисунка 7.36 видно, что в созданной модели практически нет несущественных факторов, поэтому в данном случае оптимизации модели не требуется. В общем случае в результате оптимизации модели резко сокращаются ее размерность, время решения задач и объем используемой для баз данных и индексных массивов внешней памяти.

Измерение адекватности СИМ

Внутренняя дифференциальная и интегральная валидность

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 7.37).

3. Измерить адекватность модели (во 2-м режиме 6-й подсистемы) (рисунки 7.38 и 7.39).

Рисунок 7. 37. Выход на режим пакетного распознавания

Рисунок 7. 38. Выход на режим измерения адекватности модели
системы "Эйдос"

Рисунок 7. 39. Экранная форма управления измерением адекватности модели и отображения результатов

Кроме того, результаты измерения адекватности модели выводятся в форме файлов с именами ValidSys.txt (таблица 7.29) и ValAnkSt.txt (рисунок 7.40) стандарта "TXT-текст DOS" в поддиректории TXT.

Таблица 7. 29 – ИЗМЕРЕНИЕ АДЕКВАТНОСТИ

СЕМАНТИЧЕСКОЙ ИНФОРМАЦИОННОЙ МОДЕЛИ

Рисунок 7. 40. Фрагмент выходной формы ValAnkSt.txt с результатами измерения адекватности модели и отображения результатов

В данной форме приведены коды анкет распознаваемой выборки, которые были верно отнесены моделью к классу 14.

Форма, приведенная в таблице 7.29, рассчитывается как средневзвешенная на основе карточек прогнозирования, представленных на рисунке 7.41.

Рисунок 7. 41. Пример карточки прогнозирования хозяйственных свойств подсолнечника с делянки 1310.1 в 1994 году

Рисунок 7. 42. 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 7.43), обобщены системой, в результате чего сформирован обобщенный информационный портрет системы факторов, действие которых приводит к данному результату (рисунок 7.44). Это позволяет решать задачи, связанные с типизацией лет.

Рисунок 7. 43. Пример карточки прогнозирования конкретного результата выращивания (урожайность 800 и более) подсолнечника за 10 лет (с 1993 по 2003)

Рисунок 7. 44. Фрагмент информационного портрета класса 16
(конкретного результата выращивания)

Внешняя дифференциальная и интегральная валидность

Для измерения внешней валидности необходимо выполнить следующие действия:

2. Выбрать один из режимов удаления объектов обучающей выборки, приведенный на экранной форме (рисунок 7.45).

Рисунок 7. 45. Режим переноса анкет обучающей выборки
в распознаваемую для измерения внешней валидности

Частотное распределение объектов обучающей выборки по классам приведено на рисунке 7.46 и в таблице 7.30. Видно, что оно довольно равномерное, т.е. все классы достаточно хорошо представлены. Это значит, что имеет смысл измерение внешней валидности.

Рисунок 7. 46. Частотное распределение объектов обучающей
выборки по классам

Таблица 7. 30 – ЧАСТОТНОЕ РАСПРЕДЕЛЕНИЕ
ОБЪЕКТОВ ОБУЧАЮЩЕЙ ВЫБОРКИ ПО КЛАССАМ

Код	Наименование	Кол-во	Кол-во %	Инф-ть
1	ГОД - 1994	100	10,000	0,21709
2	ГОД - 1995	100	10,000	0,15611
3	ГОД - 1996	100	10,000	0,11928
4	ГОД - 1997	100	10,000	0,12336
5	ГОД - 1998	100	10,000	0,15446
6	ГОД - 1999	100	10,000	0,11498
7	ГОД - 2000	100	10,000	0,14163
8	ГОД - 2001	100	10,000	0,11471
9	ГОД - 2002	100	10,000	0,12852
10	ГОД - 2003	100	10,000	0,09828
11	УРОЖАЙНОСТЬ - менее 400	144	14,400	0,10584
12	УРОЖАЙНОСТЬ - [400, 500)	165	16,500	0,09277
13	УРОЖАЙНОСТЬ - [500, 600)	164	16,400	0,08142
14	УРОЖАЙНОСТЬ - [600, 700)	195	19,500	0,07623
15	УРОЖАЙНОСТЬ - [700, 800)	173	17,300	0,09256
16	УРОЖАЙНОСТЬ - 800 и более	159	15,900	0,09289
17	СБОРЫ МАСЛА - менее 200	168	16,800	0,09061
18	СБОРЫ МАСЛА - [200, 250)	171	17,100	0,07981
19	СБОРЫ МАСЛА - [250, 300)	158	15,800	0,08938
20	СБОРЫ МАСЛА - [300, 350)	191	19,100	0,08988
21	СБОРЫ МАСЛА - [350, 400)	154	15,400	0,08020
22	СБОРЫ МАСЛА - 400 и более	158	15,800	0,09388
23	СРЕДНЯЯ МАСЛИЧНОСТЬ - менее 50	173	17,300	0,08743
24	СРЕДНЯЯ МАСЛИЧНОСТЬ - [50, 51)	168	16,800	0,07098
25	СРЕДНЯЯ МАСЛИЧНОСТЬ - [51, 52)	163	16,300	0,09256
26	СРЕДНЯЯ МАСЛИЧНОСТЬ - [52, 53)	146	14,600	0,07171
27	СРЕДНЯЯ МАСЛИЧНОСТЬ - [53, 54)	166	16,600	0,10816
28	СРЕДНЯЯ МАСЛИЧНОСТЬ - 54 и более	184	18,400	0,07438
29	НАТУРА - менее 420	150	15,000	0,06586
30	НАТУРА - [420, 430)	136	13,600	0,09865
31	НАТУРА - [430, 440)	159	15,900	0,10580
32	НАТУРА - [440, 450)	132	13,200	0,10289
33	НАТУРА - [450, 460)	152	15,200	0,10755
34	НАТУРА - [460, 470)	135	13,500	0,06422
35	НАТУРА - 470 и более	136	13,600	0,07615

Результаты измерения внешней валидности приведены в таблице 7.31. При этом в качестве обучающей выборки использовались нечетные анкеты, а в качестве распознаваемой – четные (один из вариантов бутстрепного метода).

Таблица 7. 31 – РЕЗУЛЬТАТЫ ИЗМЕРЕНИЯ ВНЕШНЕЙ ВАЛИДНОСТИ

Из таблицы 6.31 видно, что вероятность верной идентификации объектов, отсутствующих в обучающей выборке, с использованием созданной модели, составляет около 51%, тогда как вероятность их случайной верной идентификации не превышает 3% (при условии примерно равномерного распределения объектов по классам, что, как мы видели выше, недалеко от истины). Это означает, что использование семантической информационной модели примерно в 18 раз повышает достоверность прогнозирования хозяйственных свойств подсолнечника по сравнению со случайным угадыванием. Этим и обосновывается целесообразность применения данного подхода.

7.4.2.4. Выводы

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

7.4.3. Исследование семантический
информационной модели

Исследование семантической информационной модели включает решение поставленных в работе задач, а также кластерно-конструктивный и системно-когнитивный анализ модели.

7.4.3.1. Задача 1: выявление причинно-
следственных зависимостей между
фенотипическими признаками
подсолнечника и его хозяйственными
(потребительскими) свойствами

Отобразим результаты выявления причинно-следственных зависимостей между градациями описательных и классификационных шкал. Мерой причинно-следственных зависимостей является количество информации, которое содержится в факте действия определенного значения фактора о том, что растение подсолнечника будет иметь определенное потребительское свойство. Значение информативности может быть по модулю различной величины и положительным и отрицательным по знаку, что означает, соответственно, величину и направление влияния данного значения фактора на данное потребительское свойство.

В полном виде все зависимости содержаться в матрице информативностей, приведенной в таблице 7.32. Вертикальная шапка таблицы 7.32 содержит градации описательных шкал, а горизонтальная шапка – градации классификационных шкал в соответствии с таблицами 7.26 и 7.27.

Таблица 7. 32 – КОЛИЧЕСТВЕННАЯ ОЦЕНКА СИЛЫ И НАПРАВЛЕНИЯ ПРИЧИННО-СЛЕДСТВЕННЫХ СВЯЗЕЙ МЕЖДУ ФЕНОТИПИЧЕСКИМИ И ХОЗЯЙСТВЕННЫМИ СВОЙСТВАМИ ПОДСОЛНЕЧНИКА (Бит´100) (ФРАГМЕНТ)

	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22
1	-21	02	-03	02	05	10		-03		02	-06	14	05	-03	-25	08	03	05	02	-23	05	06
2	-24	-03	-07	-07	11		14	06	-03	03	06	-03	03	-02	-05	01	-04	-09	-03	15	-01	-05
3	16	01	-08	01	-08	-08	-01	04	01	-05	03	-03	01	-02	-06	07	03	09	07	01	-08	-19
4	09	06	06	-04	-08	-08	-04	-04	06	-04	03	02	04	01	04	-17	-03	08	06	-01	-01	-12
5	04	-15	01	09	-08	-01	-11	07	01	07	05	-05	-09	-02	09		03	-07	-01	-07	04	09
6	06	06	09	-06	03	03		-14	-06	-06	-15	-09	-06	08	18	-07	-03	-11	-17	10	01	12
7	-04										04	07	-05		-02	-05	-09		10	-04	01	01
8	-23	02	02	02	02	02	02	02	02	02	11	-05	03	-09	-02	03	05	04	-13	-06	03	04
9	17	-02	-02	-02	-02	-02	-02	-02	-02	-02	-18	-02	01	07	04	02	03	-04		08	-04	-05
10	-47	-12	18	-17	18	-23	08	15	-03	08	12	20	-28	-08	-05		-12	13	-06	07	04	-15
11	-31	-10	16	01	01	13	04	04	04	-20	18	-15	02	-03	-05	01	06		-10	13	-15	-03
12	-41	-10	-06	12	12	-06	02	-02	15	05	-07	-05	-05	05	11	-04	-06	-15	08	-04	11	04
13	-08	15	03		-13	20	-17	-13	03	-04	-01	-08	04	-09	07	06	-09	09	06	-15	-04	10
14	15	07	-08	12	-08	-08	-05	02	-21	04	01	05	14		-16	-09	07	01	10	-06	-15	-02
15	41	05	-28	-05	-13	-09	-02	-13	-09	-02	-31	06	-05	01	02	13	-02	-12	-13	01	15	07
16	-08	-04	-04	-13			08	04	08	04	-02	-11	04	12	02	-13	09		-01	01	-05	-06
17	31	-09	06	-04	-36	-09	09	-09	06	-13	01	16	09	-01	-19	-14	19	-01	01	-11	-19	01
18	21	-17	-17	16	-11	06	-17	-02	06	-02	05	-04	-07	-01	07	-02	-14	-01	-11	13	13	-11
19		-40	-16	-10	12	04	-05	22	-16	19	-03		-06	08	12	-19	-04	-08	-15	02	08	12
20	-04	-08	-04	-43	09	05	27	-08	-08	09	08	-07	-01		01	-02		-15	11	03	02	-05
21	-21	17	-10	-15	20	-10	02	02	12	-15	01	-01	-03	-07	-01	10	-24	08	-01	-04	07	08
22	-14	-09	-09	18	08	-27	15	-04	12	-09	-07	06	01	-08	-04	10		-01	01	03	-04	01
23	-18	02	33	06	-33	10	-25	-12	06	-02	-09	-15	05	06	-05	12	09	01	12	-16	04	-13
24	-34	27	-02	08	05	11	-34	05	-34	08	-02	-03	-03	03	05	-01		09	-04	04	-17	01
25	-04	14	-04	11	04	11	04	-04	-24	-24	11	08	-14	-20	04	08	05	-08	10	-11		02
26	19	-08	-08	05	-08	-13	05	01	05	-08	-09	07	-09	17	-15	-02	-07	-08	13	04	03	-07
27	15	-05	12	-05	-01	-05	09	-14	-26	06	-09	07	-04	-06	08	02	06	16	-03	-03	-04	-21
28	-36	22	02	-23	-05	-01	14	06	-01	-01	10	-06	05	-10	-02	03	-21	-01	-06	01		19
29	15	-14	-20	12	04	12	-27	08	04	-14	05	-21	15	02	-10	03	07	-09	-11	09	04	-05
30	04	17	-10		-45	04	04	-15	17		-23	-08		07	03	11	08	01	-16	10	-02	-09
31	-18	-18	02	-02	31	10	02	-33	-18	13	04	10	-02	-08	07	-14	-06	01	05	-02	01	02
32	-16	-46	13	-01	-06	-29	-36	27	22	16	01	-03	04	11	-01	-21	03	02	01	-11	-03	06

7.4.3.2. Задача 2: разработка методики
прогнозирования хозяйственных свойств
растений подсолнечника на основе
анализа их фенотипических признаков

Данная задача решается на основе задачи 1. Суть методики прогнозирования состоит в следующем. Из таблицы 7.32 известно, какое количество информации содержится в определенном фенотипическом признаке конкретного растения подсолнечника о том, что данное растение будет обладать каждым из исследованных в модели хозяйственных свойств. Если о растении известно, что оно обладает определенным набором фенотипических признаков, то естественно считать, что оно будет обладать теми хозяйственными свойствами, о которых в данном наборе содержится наибольшее количество информации. Данный интегральный критерий предложен и обоснован в [82].

Исходные данные для прогнозирования вводятся в 1-м режиме 4-й подсистемы системы «Эйдос» в форме распознаваемой выборки, само прогнозирование осуществляется во 2-м режиме этой же подсистемы, а результаты выводятся в 3-м режиме в двух разрезах:

– один объект – много классов;

– один класс – много объектов.

Результаты прогнозирования выводятся системой в обобщенной форме, каждая строка которой соответствует классу, с которым данный объект имеет наиболее сходство, и в детализированной форме карточек прогнозирования (распознавания). Примеры этих карточек приведены на рисунке 7.47.

Рисунок 7. 47. Примеры карточек прогнозирования (экранные формы)

Карточка разделена на две части. В верхней части приведены классы, с которыми данный объект имеет наивысшее сходство в порядке его убывания, а в нижней – классы, от которых данный объект максимально отличается. Задача идентификации может решаться в поле с использованием ноутбука, на котором установлена система «Эйдос».

7.4.3.3. Задача 3: разработка методики поддержки
принятия решений по отбору растений
для селекции не по их хозяйственным
свойствам, а на основе анализа
фенотипических признаков

Задача принятия решений является обратной по отношению к задаче прогнозирования. Если при прогнозировании мы по фенотипическим признакам определяем возможные хозяйственные свойства, то при принятии решений наоборот, по заданным хозяйственным свойствам определяем какими фенотипическим признаками должны обладать растения, имеющие эти свойства. В системе «Эйдос» эта задача решается в 1-м режиме 5-й подсистемы, который позволяет генерировать и отображать так называемые «Информационные портреты классов». Эти информационные портреты показывают систему детерминации будущих состояний объекта управления, в нашем случае – хозяйственных свойств подсолнечника. В таблицах 7.33-7.35 приведены информационные портреты наиболее желательных (целевых) хозяйственных свойств.

Таблица 7. 33 – СИСТЕМА ДЕТЕРМИНАЦИИ ПОТРЕБИТЕЛЬСКОГО СВОЙСТВА: Код: 16 Наименование: УРОЖАЙНОСТЬ (г.) - 800 и более

14-01-05 02:13:22 Фильтр: All, Positive г.Краснодар
№	Код	Наименование значения фактора	Инф-ть бит	Инф-ть %
1	3	ВЫСОТА РАСТЕНИЯ (см.)
	15	[170, 200)	0,13	2,58
2	4	ОБЛИСТВЕННОСТЬ (шт.)
	23	35	0,12	2,26
3	5	ДИАМЕТР КОРЗИНЫ (см.)
	30	23	0,11	2,18
4	4	ОБЛИСТВЕННОСТЬ (шт.)
	22	34	0,10	1,93
5	4	ОБЛИСТВЕННОСТЬ (шт.)
	21	33	0,10	1,89
6	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	1	менее 60	0,08	1,64
7	5	ДИАМЕТР КОРЗИНЫ (см.)
	25	менее 19	0,08	1,55
8	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	3	[70, 80)	0,07	1,38
9	3	ВЫСОТА РАСТЕНИЯ (см.)
	13	[110, 140)	0,06	1,09
10	5	ДИАМЕТР КОРЗИНЫ (см.)
	29	22	0,03	0,55
11	5	ДИАМЕТР КОРЗИНЫ (см.)
	28	21	0,03	0,53
12	2	ВРЕМЯ ПОСЕВА
	8	ранневесенний (февраль)	0,03	0,49
13	2	ВРЕМЯ ПОСЕВА
	9	Оптимальный	0,02	0,41
14	5	ДИАМЕТР КОРЗИНЫ (см.)
	27	20	0,02	0,39
15	3	ВЫСОТА РАСТЕНИЯ (см.)
	11	[50, 80)	0,01	0,26
16	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	2	[60, 70)	0,01	0,21
17	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	5	[90, 100)	0,00	0,06
18	3	ВЫСОТА РАСТЕНИЯ (см.)
	10	менее 50	-0,01	-0,10
19	4	ОБЛИСТВЕННОСТЬ (шт.)
	24	более 35	-0,02	-0,29
20	5	ДИАМЕТР КОРЗИНЫ (см.)
	26	19	-0,02	-0,33
21	4	ОБЛИСТВЕННОСТЬ (шт.)
	20	32	-0,02	-0,41
22	4	ОБЛИСТВЕННОСТЬ (шт.)
	18	30	-0,02	-0,45
23	3	ВЫСОТА РАСТЕНИЯ (см.)
	12	[80, 110)	-0,04	-0,70
24	2	ВРЕМЯ ПОСЕВА
	7	позднезимний (декабрь)	-0,05	-0,99
25	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	6	100 и более	-0,07	-1,36
26	3	ВЫСОТА РАСТЕНИЯ (см.)
	14	[140, 170)	-0,09	-1,74
27	3	ВЫСОТА РАСТЕНИЯ (см.)
	16	200 и более	-0,13	-2,45
28	5	ДИАМЕТР КОРЗИНЫ (см.)
	31	24	-0,14	-2,64
29	4	ОБЛИСТВЕННОСТЬ (шт.)
	17	менее 30	-0,14	-2,80
30	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	4	[80, 90)	-0,18	-3,41
31	4	ОБЛИСТВЕННОСТЬ (шт.)
	19	31	-0,19	-3,70
32	5	ДИАМЕТР КОРЗИНЫ (см.)
	32	более 24	-0,21	-4,02

Таблица 7. 34 – СИСТЕМА ДЕТЕРМИНАЦИИ ПОТРЕБИТЕЛЬСКОГО СВОЙСТВА: Код: 22 Наименование: СБОРЫ МАСЛА (г.) - 400 и более

14-01-05 02:13:54 Фильтр: All, Positive г.Краснодар
№	Код	Наименование значения фактора	Инф-ть бит	Инф-ть %
1	5	ДИАМЕТР КОРЗИНЫ (см.)
	28	21	0,19	3,74
2	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	6	100 и более	0,12	2,40
3	4	ОБЛИСТВЕННОСТЬ (шт.)
	19	31	0,12	2,34
4	3	ВЫСОТА РАСТЕНИЯ (см.)
	13	[110, 140)	0,10	1,91
5	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	5	[90, 100)	0,09	1,74
6	4	ОБЛИСТВЕННОСТЬ (шт.)
	21	33	0,08	1,57
7	3	ВЫСОТА РАСТЕНИЯ (см.)
	15	[170, 200)	0,07	1,32
8	5	ДИАМЕТР КОРЗИНЫ (см.)
	32	более 24	0,06	1,24
9	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	1	менее 60	0,06	1,11
10	3	ВЫСОТА РАСТЕНИЯ (см.)
	12	[80, 110)	0,04	0,74
11	2	ВРЕМЯ ПОСЕВА
	8	ранневесенний (февраль)	0,04	0,74
12	5	ДИАМЕТР КОРЗИНЫ (см.)
	31	24	0,02	0,44
13	5	ДИАМЕТР КОРЗИНЫ (см.)
	25	менее 19	0,02	0,29
14	2	ВРЕМЯ ПОСЕВА
	7	позднезимний (декабрь)	0,01	0,26
15	4	ОБЛИСТВЕННОСТЬ (шт.)
	17	менее 30	0,01	0,24
16	4	ОБЛИСТВЕННОСТЬ (шт.)
	24	более 35	0,01	0,23
17	4	ОБЛИСТВЕННОСТЬ (шт.)
	22	34	0,01	0,10
18	3	ВЫСОТА РАСТЕНИЯ (см.)
	14	[140, 170)	-0,02	-0,42
19	3	ВЫСОТА РАСТЕНИЯ (см.)
	11	[50, 80)	-0,03	-0,54
20	4	ОБЛИСТВЕННОСТЬ (шт.)
	20	32	-0,05	-0,91
21	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	2	[60, 70)	-0,05	-0,94
22	2	ВРЕМЯ ПОСЕВА
	9	Оптимальный	-0,05	-0,97
23	5	ДИАМЕТР КОРЗИНЫ (см.)
	29	22	-0,05	-1,00
24	3	ВЫСОТА РАСТЕНИЯ (см.)
	16	200 и более	-0,06	-1,23
25	5	ДИАМЕТР КОРЗИНЫ (см.)
	26	19	-0,07	-1,43
26	5	ДИАМЕТР КОРЗИНЫ (см.)
	30	23	-0,09	-1,76
27	4	ОБЛИСТВЕННОСТЬ (шт.)
	18	30	-0,11	-2,08
28	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	4	[80, 90)	-0,12	-2,25
29	4	ОБЛИСТВЕННОСТЬ (шт.)
	23	35	-0,13	-2,58
30	3	ВЫСОТА РАСТЕНИЯ (см.)
	10	менее 50	-0,15	-2,88
31	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	3	[70, 80)	-0,19	-3,71
32	5	ДИАМЕТР КОРЗИНЫ (см.)
	27	20	-0,21	-4,01

Таблица 7. 35 – СИСТЕМА ДЕТЕРМИНАЦИИ ПОТРЕБИТЕЛЬСКОГО СВОЙСТВА: Код: 28 Наименование: СРЕДНЯЯ МАСЛИЧНОСТЬ (%)-54 и более

14-01-05 02:14:07 Фильтр: All, Positive г.Краснодар
№	Код	Наименование значения фактора	Инф-ть бит	Инф-ть %
1	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	2	[60, 70)	0,12	2,26
2	4	ОБЛИСТВЕННОСТЬ (шт.)
	19	31	0,11	2,10
3	3	ВЫСОТА РАСТЕНИЯ (см.)
	13	[110, 140)	0,11	2,08
4	5	ДИАМЕТР КОРЗИНЫ (см.)
	27	20	0,09	1,67
5	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	5	[90, 100)	0,07	1,37
6	5	ДИАМЕТР КОРЗИНЫ (см.)
	28	21	0,07	1,29
7	4	ОБЛИСТВЕННОСТЬ (шт.)
	22	34	0,05	0,90
8	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	6	100 и более	0,05	0,90
9	3	ВЫСОТА РАСТЕНИЯ (см.)
	14	[140, 170)	0,04	0,82
10	2	ВРЕМЯ ПОСЕВА
	8	ранневесенний (февраль)	0,04	0,76
11	5	ДИАМЕТР КОРЗИНЫ (см.)
	26	19	0,03	0,65
12	4	ОБЛИСТВЕННОСТЬ (шт.)
	21	33	0,02	0,45
13	4	ОБЛИСТВЕННОСТЬ (шт.)
	23	35	0,02	0,38
14	5	ДИАМЕТР КОРЗИНЫ (см.)
	31	24	0,02	0,38
15	5	ДИАМЕТР КОРЗИНЫ (см.)
	29	22	0,00	0,04
16	4	ОБЛИСТВЕННОСТЬ (шт.)
	24	более 35	-0,00	-0,01
17	4	ОБЛИСТВЕННОСТЬ (шт.)
	17	менее 30	-0,00	-0,05
18	2	ВРЕМЯ ПОСЕВА
	7	позднезимний (декабрь)	-0,01	-0,19
19	4	ОБЛИСТВЕННОСТЬ (шт.)
	20	32	-0,02	-0,33
20	3	ВЫСОТА РАСТЕНИЯ (см.)
	15	[170, 200)	-0,03	-0,54
21	2	ВРЕМЯ ПОСЕВА
	9	Оптимальный	-0,03	-0,54
22	3	ВЫСОТА РАСТЕНИЯ (см.)
	10	менее 50	-0,03	-0,60
23	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	4	[80, 90)	-0,03	-0,66
24	3	ВЫСОТА РАСТЕНИЯ (см.)
	16	200 и более	-0,04	-0,75
25	3	ВЫСОТА РАСТЕНИЯ (см.)
	12	[80, 110)	-0,04	-0,76
26	3	ВЫСОТА РАСТЕНИЯ (см.)
	11	[50, 80)	-0,04	-0,78
27	5	ДИАМЕТР КОРЗИНЫ (см.)
	32	более 24	-0,06	-1,21
28	5	ДИАМЕТР КОРЗИНЫ (см.)
	25	менее 19	-0,06	-1,21
29	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	3	[70, 80)	-0,11	-2,11
30	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	1	менее 60	-0,13	-2,45
31	5	ДИАМЕТР КОРЗИНЫ (см.)
	30	23	-0,14	-2,67
32	4	ОБЛИСТВЕННОСТЬ (шт.)
	18	30	-0,22	-4,22

Таблица 7. 36 – СИСТЕМА ДЕТЕРМИНАЦИИ ПОТРЕБИТЕЛЬСКОГО СВОЙСТВА: Код: 35 Наименование: НАТУРА (г/л) - 470 и более

14-01-05 02:14:20 Фильтр: All, Positive г.Краснодар
№	Код	Наименование значения фактора	Инф-ть бит	Инф-ть %
1	3	ВЫСОТА РАСТЕНИЯ (см.)
	14	[140, 170)	0,13	2,53
2	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	3	[70, 80)	0,10	1,95
3	3	ВЫСОТА РАСТЕНИЯ (см.)
	12	[80, 110)	0,09	1,78
4	5	ДИАМЕТР КОРЗИНЫ (см.)
	28	21	0,09	1,65
5	4	ОБЛИСТВЕННОСТЬ (шт.)
	21	33	0,07	1,32
6	4	ОБЛИСТВЕННОСТЬ (шт.)
	17	менее 30	0,07	1,28
7	4	ОБЛИСТВЕННОСТЬ (шт.)
	18	30	0,06	1,10
8	2	ВРЕМЯ ПОСЕВА
	8	ранневесенний (февраль)	0,05	1,06
9	3	ВЫСОТА РАСТЕНИЯ (см.)
	13	[110, 140)	0,05	0,91
10	5	ДИАМЕТР КОРЗИНЫ (см.)
	31	24	0,04	0,82
11	2	ВРЕМЯ ПОСЕВА
	7	позднезимний (декабрь)	0,04	0,76
12	5	ДИАМЕТР КОРЗИНЫ (см.)
	29	22	0,03	0,48
13	5	ДИАМЕТР КОРЗИНЫ (см.)
	25	менее 19	0,01	0,25
14	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	6	100 и более	0,01	0,18
15	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	1	менее 60	0,01	0,15
16	4	ОБЛИСТВЕННОСТЬ (шт.)
	19	31	0,00	0,04
17	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	4	[80, 90)	-0,01	-0,26
18	5	ДИАМЕТР КОРЗИНЫ (см.)
	30	23	-0,01	-0,28
19	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	2	[60, 70)	-0,02	-0,35
20	4	ОБЛИСТВЕННОСТЬ (шт.)
	23	35	-0,02	-0,41
21	3	ВЫСОТА РАСТЕНИЯ (см.)
	11	[50, 80)	-0,03	-0,50
22	5	ДИАМЕТР КОРЗИНЫ (см.)
	27	20	-0,03	-0,61
23	4	ОБЛИСТВЕННОСТЬ (шт.)
	22	34	-0,04	-0,75
24	4	ОБЛИСТВЕННОСТЬ (шт.)
	24	более 35	-0,04	-0,83
25	3	ВЫСОТА РАСТЕНИЯ (см.)
	15	[170, 200)	-0,05	-1,03
26	5	ДИАМЕТР КОРЗИНЫ (см.)
	26	19	-0,07	-1,27
27	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	5	[90, 100)	-0,09	-1,72
28	5	ДИАМЕТР КОРЗИНЫ (см.)
	32	более 24	-0,09	-1,74
29	2	ВРЕМЯ ПОСЕВА
	9	Оптимальный	-0,10	-1,89
30	3	ВЫСОТА РАСТЕНИЯ (см.)
	10	менее 50	-0,14	-2,81
31	4	ОБЛИСТВЕННОСТЬ (шт.)
	20	32	-0,15	-2,87
32	3	ВЫСОТА РАСТЕНИЯ (см.)
	16	200 и более	-0,19	-3,75

Эти информационные портреты непосредственно используются при отборе растений подсолнечника для формирования следующего поколения при селекции, например, по следующему алгоритму. Выбираются растения с фенотипическими признаками, указанными в начале указанных информационных портретов и удаляются с признаками, указанными в их конце. Оставшиеся используются для формирования следующего селекционного поколения.

Аппарат СК-анализа позволяет строить функции взаимосвязи между описательными и классификационными шкалами. С учетом целей ресурсосберегающих технологий возделывания подсолнечника для селекции особый интерес представляет взаимосвязь между высотой растения и его хозяйственными свойствами, прежде всего сбором масла с одного растения (рисунок 7.48).

Рисунок 7. 48. Взаимосвязь между высотой растения
и сбором с него масла

Из этого графика очевидно, что оптимальной высотой растения является 110-140 см, а не 200, как считалось ранее. Объяснение причин этого явления сходно с содержательной интерпретаций взаимосвязи между количеством листьев на растении и масличностью собранных с него семян, представленная на рисунке 7.49.

Рисунок 7. 49. Взаимосвязь между облиственностью
и масличностью семян

При малом количестве листьев растение не имеет необходимых ресурсов для генерации масла в семенах, при количестве листьев 30-32 наблюдается максимальная масличность, при увеличении количества листьев масличность закономерно падает, что по-видимому можно объяснить тем, что ресурсы растения переориентируются с формирования регенеративных качеств растения на увеличение его вегетативной массы. Этот эффект, наблюдаемый у подсолнечника, полностью аналогичен известному «бройлерному эффекту», известному в птицеводстве и впервые был обнаружен методом СК-анализа эмпирических данных в 1993 году О.А.Засухиной и Е.В.Луценко при исследовании интенсивных технологий возделывания зерновых колосовых [82, 83].

Все функции влияния, отражающие взаимосвязи между всеми описательными и классификационными шкалами и градациями (во всех сочетаниях), не могут быть здесь приведены из-за их большого количества. Однако, необходимо отметить, что их содержательная интерпретация является делом ученого-селекционера и по этой причине в данной работе не рассматривается.

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

Эти возможности обеспечиваются режимами 5-й подсистемы "Типология" (рисунок 7.50).

Рисунок 7. 50. 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 7.37 и 7.38) и в форме семантических сетей (рисунок 7.51).

Таблица 7. 37 – МАТРИЦА СХОДСТВА КЛАССОВ (%) (ФРАГМЕНТ)

МАТРИЦА СХОДСТВА ОБОБЩЕННЫХ ОБРАЗОВ КЛАССОВ РАСПОЗНАВАНИЯ (%)

14-02-05 23:59:36 г.Краснодар

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

| Коды | 1 2 3 4 5 6 7 8 9 10 11 12 |Уровни|

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

| 1 | 100 -8 -42 15 -47 -5 -4 -25 -7 -21 -46 8 | |

| 2 | -8 100 -3 -3 -21 31 13 -39 -22 -43 -15 -4 | |

| 3 | -42 -3 100 -13 -13 -1 -8 -6 6 6 27 -1 | |

| 4 | 15 -3 -13 100 -19 4 -50 -2 6 -26 -12 -3 | |

| 5 | -47 -21 -13 -19 100 -5 20 17 -32 21 38 17 | |

| 6 | -5 31 -1 4 -5 100 -18 -36 -34 -16 13 -44 | |

| 7 | -4 13 -8 -50 20 -18 100 -26 -4 -13 8 34 | |

| 8 | -25 -39 -6 -2 17 -36 -26 100 19 19 37 -11 | |

| 9 | -7 -22 6 6 -32 -34 -4 19 100 -18 -6 -28 | |

| 10 | -21 -43 6 -26 21 -16 -13 19 -18 100 -9 12 | |

| 11 | -46 -15 27 -12 38 13 8 37 -6 -9 100 -4 | |

| 12 | 8 -4 -1 -3 17 -44 34 -11 -28 12 -4 100 | |

| 13 | 19 9 -7 12 -32 20 -20 -7 21 -11 -3 -41 | |

| 14 | 27 -33 -7 1 -28 -17 -27 22 32 30 -48 -31 | |

| 15 | -5 -6 -0 -10 21 18 -10 -15 -18 26 -15 -30 | |

| 16 | -5 55 -14 15 -17 18 11 -28 4 -46 -24 -12 | |

| 17 | 33 -14 18 26 -47 11 -10 -9 -5 -8 -13 -11 | |

| 18 | -20 25 40 3 -5 -11 -18 1 -8 7 18 26 | |

| 19 | -4 7 24 6 2 -10 6 -14 -2 -4 17 26 | |

| 20 | 6 -7 -30 -13 17 -5 22 11 -2 -7 0 -28 | |

| 21 | 1 -22 -33 -6 23 -2 1 -1 21 16 -22 -3 | |

| 22 | -21 5 -18 -10 21 13 -5 12 0 6 0 -4 | |

| 23 | 46 13 17 14 -67 -2 -16 -24 23 -36 -41 2 | |

| 24 | -19 11 -23 43 35 -2 5 2 -4 -37 22 3 | |

| 25 | -41 15 13 19 46 -1 -29 6 -12 5 22 -1 | |

| 26 | 7 -18 1 5 -4 38 11 -15 5 -15 -10 -9 | |

| 27 | 11 -22 -25 -44 -7 -25 19 24 8 50 6 7 | |

| 28 | -13 1 16 -18 25 0 14 2 -30 15 7 -4 | |

| 29 | 4 2 3 24 -26 -30 4 -13 13 18 -25 -11 | |

| 30 | -2 -53 2 4 16 -25 5 9 32 9 -5 -21 | |

| 31 | -1 18 19 5 -21 -1 -15 19 17 -35 10 -5 | |

| 32 | -14 -11 11 -59 27 -2 30 6 -28 43 9 5 | |

| 33 | 17 29 -16 7 -3 15 1 -2 -21 -28 -1 20 | |

| 34 | 7 -20 -8 -1 -7 9 -28 -17 5 40 -25 -1 | |

| 35 | 5 27 -19 36 -8 20 -9 -18 -4 -26 13 3 | |

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

|Ст.отк| 28 29 25 27 32 26 25 25 25 30 27 25 | |

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

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

МАТРИЦА СХОДСТВА ОБОБЩЕННЫХ ОБРАЗОВ КЛАССОВ РАСПОЗНАВАНИЯ (%) (ПРОДОЛЖЕНИЕ)

14-02-05 23:59:36 г.Краснодар

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

| Коды | 13 14 15 16 17 18 19 20 21 22 23 24 |Уровни|

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

| 1 | 19 27 -5 -5 33 -20 -4 6 1 -21 46 -19 | |

| 2 | 9 -33 -6 55 -14 25 7 -7 -22 5 13 11 | |

| 3 | -7 -7 -0 -14 18 40 24 -30 -33 -18 17 -23 | |

| 4 | 12 1 -10 15 26 3 6 -13 -6 -10 14 43 | |

| 5 | -32 -28 21 -17 -47 -5 2 17 23 21 -67 35 | |

| 6 | 20 -17 18 18 11 -11 -10 -5 -2 13 -2 -2 | |

| 7 | -20 -27 -10 11 -10 -18 6 22 1 -5 -16 5 | |

| 8 | -7 22 -15 -28 -9 1 -14 11 -1 12 -24 2 | |

| 9 | 21 32 -18 4 -5 -8 -2 -2 21 0 23 -4 | |

| 10 | -11 30 26 -46 -8 7 -4 -7 16 6 -36 -37 | |

| 11 | -3 -48 -15 -24 -13 18 17 0 -22 0 -41 22 | |

| 12 | -41 -31 -30 -12 -11 26 26 -28 -3 -4 2 3 | |

| 13 | 100 16 -40 -9 40 -0 7 -20 -38 8 28 -6 | |

| 14 | 16 100 1 -37 20 -31 -5 22 3 -12 14 -21 | |

| 15 | -40 1 100 -15 -28 -15 -31 28 30 18 -22 -16 | |

| 16 | -9 -37 -15 100 -9 5 -6 -2 21 -11 11 22 | |

| 17 | 40 20 -28 -9 100 -5 3 -19 -50 -31 62 -2 | |

| 18 | -0 -31 -15 5 -5 100 5 -25 -38 -35 14 13 | |

| 19 | 7 -5 -31 -6 3 5 100 -52 -18 -22 -7 -6 | |

| 20 | -20 22 28 -2 -19 -25 -52 100 2 -24 -21 28 | |

| 21 | -38 3 30 21 -50 -38 -18 2 100 16 -28 -16 | |

| 22 | 8 -12 18 -11 -31 -35 -22 -24 16 100 -24 -17 | |

| 23 | 28 14 -22 11 62 14 -7 -21 -28 -24 100 -26 | |

| 24 | -6 -21 -16 22 -2 13 -6 28 -16 -17 -26 100 | |

| 25 | -17 -11 -6 20 -46 19 42 -12 13 -2 -54 35 | |

| 26 | -5 17 -9 0 10 -40 -17 -4 35 13 -2 -2 | |

| 27 | -13 5 32 -32 -16 -6 -11 19 17 -3 -19 -34 | |

| 28 | 9 -11 15 -11 -11 -6 3 -7 -13 35 -11 -44 | |

| 29 | 5 9 31 4 4 14 -3 32 -12 -37 1 6 | |

| 30 | -16 12 27 0 -16 -28 -28 39 30 -2 -11 1 | |

| 31 | 4 1 -31 23 -8 9 6 -5 -24 12 5 3 | |

| 32 | -1 7 4 -30 -1 5 -22 14 9 -3 -22 -16 | |

| 33 | -19 -7 -21 18 27 4 24 -27 5 -26 24 8 | |

| 34 | 17 22 16 -23 11 -16 8 -22 -1 28 19 -35 | |

| 35 | 33 -35 -12 8 -18 9 5 -19 -4 23 -7 21 | |

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

|Ст.отк| 26 28 27 27 30 26 25 27 27 25 32 27 | |

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

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

МАТРИЦА СХОДСТВА ОБОБЩЕННЫХ ОБРАЗОВ КЛАССОВ РАСПОЗНАВАНИЯ (%)(ПРОДОЛЖЕНИЕ)

14-02-05 23:59:36 г.Краснодар

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

| Коды | 25 26 27 28 29 30 31 32 33 34 35 |Уровни|

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

| 1 | -41 7 11 -13 4 -2 -1 -14 17 7 5 | |

| 2 | 15 -18 -22 1 2 -53 18 -11 29 -20 27 | |

| 3 | 13 1 -25 16 3 2 19 11 -16 -8 -19 | |

| 4 | 19 5 -44 -18 24 4 5 -59 7 -1 36 | |

| 5 | 46 -4 -7 25 -26 16 -21 27 -3 -7 -8 | |

| 6 | -1 38 -25 0 -30 -25 -1 -2 15 9 20 | |

| 7 | -29 11 19 14 4 5 -15 30 1 -28 -9 | |

| 8 | 6 -15 24 2 -13 9 19 6 -2 -17 -18 | |

| 9 | -12 5 8 -30 13 32 17 -28 -21 5 -4 | |

| 10 | 5 -15 50 15 18 9 -35 43 -28 40 -26 | |

| 11 | 22 -10 6 7 -25 -5 10 9 -1 -25 13 | |

| 12 | -1 -9 7 -4 -11 -21 -5 5 20 -1 3 | |

| 13 | -17 -5 -13 9 5 -16 4 -1 -19 17 33 | |

| 14 | -11 17 5 -11 9 12 1 7 -7 22 -35 | |

| 15 | -6 -9 32 15 31 27 -31 4 -21 16 -12 | |

| 16 | 20 0 -32 -11 4 0 23 -30 18 -23 8 | |

| 17 | -46 10 -16 -11 4 -16 -8 -1 27 11 -18 | |

| 18 | 19 -40 -6 -6 14 -28 9 5 4 -16 9 | |

| 19 | 42 -17 -11 3 -3 -28 6 -22 24 8 5 | |

| 20 | -12 -4 19 -7 32 39 -5 14 -27 -22 -19 | |

| 21 | 13 35 17 -13 -12 30 -24 9 5 -1 -4 | |

| 22 | -2 13 -3 35 -37 -2 12 -3 -26 28 23 | |

| 23 | -54 -2 -19 -11 1 -11 5 -22 24 19 -7 | |

| 24 | 35 -2 -34 -44 6 1 3 -16 8 -35 21 | |

| 25 | 100 -19 -35 -2 -11 -10 24 -11 4 -10 -2 | |

| 26 | -19 100 -32 -21 -46 7 -1 23 9 -23 -2 | |

| 27 | -35 -32 100 -17 33 4 -28 20 -13 17 -12 | |

| 28 | -2 -21 -17 100 -3 13 -2 9 -23 14 2 | |

| 29 | -11 -46 33 -3 100 26 -27 -11 -39 -4 8 | |

| 30 | -10 7 4 13 26 100 -19 -11 -63 3 7 | |

| 31 | 24 -1 -28 -2 -27 -19 100 -44 -5 -26 -7 | |

| 32 | -11 23 20 9 -11 -11 -44 100 -2 -14 -35 | |

| 33 | 4 9 -13 -23 -39 -63 -5 -2 100 -15 -28 | |

| 34 | -10 -23 17 14 -4 3 -26 -14 -15 100 -9 | |

| 35 | -2 -2 -12 2 8 7 -7 -35 -28 -9 100 | |

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

|Ст.отк| 29 25 29 23 26 28 25 27 27 25 25 | |

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

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

На основе матрицы сходства формируются таблицы кластеров и конструктов (таблица 7.38).

Таблица 7. 38 – КЛАСТЕРЫ И КОНСТРУКТЫ КЛАССОВ (ПРИМЕР)

К О Н С Т Р У К Т Ы И К Л А С Т Е Р Ы К Л А С С О В Р А С П О З Н А В А Н И Я

15-02-05 00:00:45 Фильтр по кодам классов: 1-35 г.Краснодар

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

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

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

| 22 | 0 | 22 | СБОРЫ МАСЛА - 400 и более........................................ | 100.00|

| | 0 | 28 | СРЕДНЯЯ МАСЛИЧНОСТЬ - 54 и более................................ | 34.85|

| | 0 | 34 | НАТУРА - [460, 470).............................................. | 27.86|

| | 0 | 35 | НАТУРА - 470 и более............................................. | 22.56|

| | 0 | 5 | ГОД - 1998....................................................... | 20.61|

| | 0 | 15 | УРОЖАЙНОСТЬ - [700, 800)......................................... | 18.11|

| | 0 | 21 | СБОРЫ МАСЛА - [350, 400)......................................... | 15.59|

| | 0 | 26 | СРЕДНЯЯ МАСЛИЧНОСТЬ - [52, 53)................................... | 13.20|

| | 0 | 6 | ГОД - 1999....................................................... | 12.94|

| | 0 | 31 | НАТУРА - [430, 440).............................................. | 11.93|

| | 0 | 8 | ГОД - 2001....................................................... | 11.59|

| | 0 | 13 | УРОЖАЙНОСТЬ - [500, 600)......................................... | 8.46|

| | 0 | 10 | ГОД - 2003....................................................... | 5.63|

| | 0 | 2 | ГОД - 1995....................................................... | 4.92|

| | 0 | 9 | ГОД - 2002....................................................... | 0.14|

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

| | 0 | 11 | УРОЖАЙНОСТЬ - менее 400.......................................... | -0.08|

| | 0 | 25 | СРЕДНЯЯ МАСЛИЧНОСТЬ - [51, 52)................................... | -1.78|

| | 0 | 30 | НАТУРА - [420, 430).............................................. | -1.81|

| | 0 | 27 | СРЕДНЯЯ МАСЛИЧНОСТЬ - [53, 54)................................... | -2.51|

| | 0 | 32 | НАТУРА - [440, 450).............................................. | -3.18|

| | 0 | 12 | УРОЖАЙНОСТЬ - [400, 500)......................................... | -4.24|

| | 0 | 7 | ГОД - 2000....................................................... | -5.44|

| | 0 | 4 | ГОД - 1997....................................................... | -9.78|

| | 0 | 16 | УРОЖАЙНОСТЬ - 800 и более........................................ | -11.26|

| | 0 | 14 | УРОЖАЙНОСТЬ - [600, 700)......................................... | -11.66|

| | 0 | 24 | СРЕДНЯЯ МАСЛИЧНОСТЬ - [50, 51)................................... | -17.17|

| | 0 | 3 | ГОД - 1996....................................................... | -18.41|

| | 0 | 1 | ГОД - 1994....................................................... | -21.17|

| | 0 | 19 | СБОРЫ МАСЛА - [250, 300)......................................... | -22.09|

| | 0 | 23 | СРЕДНЯЯ МАСЛИЧНОСТЬ - менее 50................................... | -24.19|

| | 0 | 20 | СБОРЫ МАСЛА - [300, 350)......................................... | -24.20|

| | 0 | 33 | НАТУРА - [450, 460).............................................. | -26.03|

| | 0 | 17 | СБОРЫ МАСЛА - менее 200.......................................... | -31.47|

| | 0 | 18 | СБОРЫ МАСЛА - [200, 250)......................................... | -34.77|

| | 0 | 29 | НАТУРА - менее 420............................................... | -36.90|

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

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

В графической форме любые заданные фрагменты матрицы сходства могут отображаются в виде семантических сетей (рисунок 7.51).

Рисунок 7. 51. Семантическая сеть классов

Аналогичные формы генерируются и по факторам (таблицы 7.39 и 7.40 и рисунок 7.52).

Таблица 7. 39 – МАТРИЦА СХОДСТВА ФЕНОТИПИЧЕСКИХ ПРИЗНАКОВ (в %)

15-02-05 00:00:56 г.Краснодар

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

| Коды | 1 2 3 4 5 6 7 8 9 10 11 12 |Уровни|

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

| 1 | 100 -18 -32 -24 -32 -24 21 35 -43 11 8 1 | |

| 2 | -18 100 -20 -32 -9 -6 10 29 -26 43 37 39 | |

| 3 | -32 -20 100 32 -14 -44 -10 -27 24 -20 -13 -19 | |

| 4 | -24 -32 32 100 -19 -31 -20 -6 13 -3 -38 -26 | |

| 5 | -32 -9 -14 -19 100 -14 10 -16 7 -8 -16 24 | |

| 6 | -24 -6 -44 -31 -14 100 -13 -15 26 -20 18 -9 | |

| 7 | 21 10 -10 -20 10 -13 100 -25 -41 21 4 31 | |

| 8 | 35 29 -27 -6 -16 -15 -25 100 -75 36 39 23 | |

| 9 | -43 -26 24 13 7 26 -41 -75 100 -41 -36 -30 | |

| 10 | 11 43 -20 -3 -8 -20 21 36 -41 100 25 28 | |

| 11 | 8 37 -13 -38 -16 18 4 39 -36 25 100 16 | |

| 12 | 1 39 -19 -26 24 -9 31 23 -30 28 16 100 | |

| 13 | 16 -16 -21 -9 18 6 29 1 -17 -35 6 -2 | |

| 14 | 4 -22 42 20 -13 -26 6 -19 5 -40 -27 -33 | |

| 15 | -18 -34 13 4 4 22 -35 -49 66 -50 -70 -35 | |

| 16 | 9 6 -19 37 -17 -12 -44 25 7 14 -7 -8 | |

| 17 | -5 -32 23 29 -3 -9 -11 -25 23 -41 -17 -50 | |

| 18 | -25 -31 35 -2 24 1 0 -30 23 -26 -9 5 | |

| 19 | -29 27 -23 -14 30 15 -15 8 1 16 -17 17 | |

| 20 | -7 37 -18 4 -15 -1 -5 -1 2 29 -7 -5 | |

| 21 | 22 26 -10 -17 -23 -5 34 24 -39 32 10 31 | |

| 22 | -1 30 12 -27 -8 -4 7 8 -6 22 28 41 | |

| 23 | 20 -29 -9 6 8 6 -2 10 -5 -12 22 0 | |

| 24 | 27 4 -18 -2 -4 -11 5 26 -22 10 13 3 | |

| 25 | 37 -21 -6 -4 -12 -14 4 19 -24 -5 3 -11 | |

| 26 | 14 -27 8 -3 1 -3 24 -58 35 -15 -18 -16 | |

| 27 | -25 -14 22 25 -12 9 -24 -21 33 8 -24 -43 | |

| 28 | 8 47 -29 -11 -26 8 20 47 -53 34 24 21 | |

| 29 | -3 -12 14 -25 17 6 -27 -6 18 -47 20 -12 | |

| 30 | -25 -16 31 18 -11 11 -42 -12 43 -37 -12 -9 | |

| 31 | 3 27 -24 -11 -7 11 23 17 -29 23 1 33 | |

| 32 | -13 2 -5 3 50 -20 17 -5 -3 25 9 27 | |

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

|Ст.отк| 28 32 29 27 26 24 29 34 37 33 30 30 | |

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

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

МАТРИЦА СХОДСТВА ПРИЗНАКОВ (в %) (ПРОДОЛЖЕНИЕ)

15-02-05 00:00:56 г.Краснодар

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

| Коды | 13 14 15 16 17 18 19 20 21 22 23 24 |Уровни|

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

| 1 | 16 4 -18 9 -5 -25 -29 -7 22 -1 20 27 | |

| 2 | -16 -22 -34 6 -32 -31 27 37 26 30 -29 4 | |

| 3 | -21 42 13 -19 23 35 -23 -18 -10 12 -9 -18 | |

| 4 | -9 20 4 37 29 -2 -14 4 -17 -27 6 -2 | |

| 5 | 18 -13 4 -17 -3 24 30 -15 -23 -8 8 -4 | |

| 6 | 6 -26 22 -12 -9 1 15 -1 -5 -4 6 -11 | |

| 7 | 29 6 -35 -44 -11 0 -15 -5 34 7 -2 5 | |

| 8 | 1 -19 -49 25 -25 -30 8 -1 24 8 10 26 | |

| 9 | -17 5 66 7 23 23 1 2 -39 -6 -5 -22 | |

| 10 | -35 -40 -50 14 -41 -26 16 29 32 22 -12 10 | |

| 11 | 6 -27 -70 -7 -17 -9 -17 -7 10 28 22 13 | |

| 12 | -2 -33 -35 -8 -50 5 17 -5 31 41 0 3 | |

| 13 | 100 -3 -12 -39 9 -10 -43 -27 17 -27 40 33 | |

| 14 | -3 100 10 -22 35 -7 -11 -27 -32 0 -2 19 | |

| 15 | -12 10 100 -4 27 25 10 -3 -17 -12 -20 -29 | |

| 16 | -39 -22 -4 100 4 -26 26 44 -19 -30 0 -1 | |

| 17 | 9 35 27 4 100 -8 -17 -12 -47 -15 10 -42 | |

| 18 | -10 -7 25 -26 -8 100 15 -23 -23 -8 -19 -20 | |

| 19 | -43 -11 10 26 -17 15 100 25 -26 -16 -34 -21 | |

| 20 | -27 -27 -3 44 -12 -23 25 100 0 -27 -32 -22 | |

| 21 | 17 -32 -17 -19 -47 -23 -26 0 100 27 -21 15 | |

| 22 | -27 0 -12 -30 -15 -8 -16 -27 27 100 -13 -22 | |

| 23 | 40 -2 -20 0 10 -19 -34 -32 -21 -13 100 12 | |

| 24 | 33 19 -29 -1 -42 -20 -21 -22 15 -22 12 100 | |

| 25 | 15 8 -2 -8 3 -12 -34 -9 16 -11 -3 29 | |

| 26 | -17 17 25 -8 22 19 -25 -9 -5 20 -4 -23 | |

| 27 | -9 23 20 -10 18 -13 -1 14 -35 -6 1 -3 | |

| 28 | 18 -17 -35 -3 -34 -30 2 36 44 2 -11 17 | |

| 29 | -1 10 12 -6 -2 44 11 -35 -9 -6 7 -4 | |

| 30 | 12 -8 45 8 38 19 -22 -18 -27 -4 27 -21 | |

| 31 | -17 -5 -19 2 -39 -14 36 22 6 7 -9 8 | |

| 32 | -8 -10 -29 5 3 10 34 -15 -17 8 14 -8 | |

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

|Ст.отк| 27 27 35 27 31 27 29 28 31 25 25 26 | |

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

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

МАТРИЦА СХОДСТВА ПРИЗНАКОВ (в %) (ПРОДОЛЖЕНИЕ)

15-02-05 00:00:56 г.Краснодар

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

| Коды | 25 26 27 28 29 30 31 32 |Уровни|

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

| 1 | 37 14 -25 8 -3 -25 3 -13 | |

| 2 | -21 -27 -14 47 -12 -16 27 2 | |

| 3 | -6 8 22 -29 14 31 -24 -5 | |

| 4 | -4 -3 25 -11 -25 18 -11 3 | |

| 5 | -12 1 -12 -26 17 -11 -7 50 | |

| 6 | -14 -3 9 8 6 11 11 -20 | |

| 7 | 4 24 -24 20 -27 -42 23 17 | |

| 8 | 19 -58 -21 47 -6 -12 17 -5 | |

| 9 | -24 35 33 -53 18 43 -29 -3 | |

| 10 | -5 -15 8 34 -47 -37 23 25 | |

| 11 | 3 -18 -24 24 20 -12 1 9 | |

| 12 | -11 -16 -43 21 -12 -9 33 27 | |

| 13 | 15 -17 -9 18 -1 12 -17 -8 | |

| 14 | 8 17 23 -17 10 -8 -5 -10 | |

| 15 | -2 25 20 -35 12 45 -19 -29 | |

| 16 | -8 -8 -10 -3 -6 8 2 5 | |

| 17 | 3 22 18 -34 -2 38 -39 3 | |

| 18 | -12 19 -13 -30 44 19 -14 10 | |

| 19 | -34 -25 -1 2 11 -22 36 34 | |

| 20 | -9 -9 14 36 -35 -18 22 -15 | |

| 21 | 16 -5 -35 44 -9 -27 6 -17 | |

| 22 | -11 20 -6 2 -6 -4 7 8 | |

| 23 | -3 -4 1 -11 7 27 -9 14 | |

| 24 | 29 -23 -3 17 -4 -21 8 -8 | |

| 25 | 100 3 5 -14 1 -21 -2 -59 | |

| 26 | 3 100 -3 -40 16 -9 -39 -1 | |

| 27 | 5 -3 100 -27 -35 4 18 -26 | |

| 28 | -14 -40 -27 100 -44 -10 9 -10 | |

| 29 | 1 16 -35 -44 100 -3 -22 9 | |

| 30 | -21 -9 4 -10 -3 100 -41 -17 | |

| 31 | -2 -39 18 9 -22 -41 100 -7 | |

| 32 | -59 -1 -26 -10 9 -17 -7 100 | |

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

|Ст.отк| 26 28 27 33 27 30 27 27 | |

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

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

Таблица 7. 40 – КЛАСТЕРЫ И КОНСТРУКТЫ ФАКТОРОВ (ФРАГМЕНТ)

К О Н С Т Р У К Т Ы И К Л А С Т Е Р Ы П Р И З Н А К О В

15-02-05 00:01:28 Фильтр по кодам признаков: 1-32 г.Краснодар

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

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

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

| | 0 |[ 2] | ВРЕМЯ ПОСЕВА | |

| 7 | 0 | 7 | позднезимний (декабрь)........................................... | 100.00|

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 21 | 33............................................................... | 33.64|

| | 0 |[ 3] | ВЫСОТА РАСТЕНИЯ | |

| | 0 | 12 | [80, 110)........................................................ | 31.26|

| | 0 |[ 3] | ВЫСОТА РАСТЕНИЯ | |

| | 0 | 13 | [110, 140)....................................................... | 28.95|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 26 | 19............................................................... | 24.29|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 31 | 24............................................................... | 22.79|

| | 0 |[ 3] | ВЫСОТА РАСТЕНИЯ | |

| | 0 | 10 | менее 50......................................................... | 20.98|

| | 0 |[ 1] | ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) | |

| | 0 | 1 | менее 60......................................................... | 20.77|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 28 | 21............................................................... | 20.38|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 32 | более 24......................................................... | 17.19|

| | 0 |[ 1] | ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) | |

| | 0 | 5 | [90, 100)........................................................ | 10.01|

| | 0 |[ 1] | ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) | |

| | 0 | 2 | [60, 70)......................................................... | 9.84|

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 22 | 34............................................................... | 7.45|

| | 0 |[ 3] | ВЫСОТА РАСТЕНИЯ | |

| | 0 | 14 | [140, 170)....................................................... | 5.60|

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 24 | более 35......................................................... | 4.84|

| | 0 |[ 3] | ВЫСОТА РАСТЕНИЯ | |

| | 0 | 11 | [50, 80)......................................................... | 4.40|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 25 | менее 19......................................................... | 4.01|

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 18 | 30............................................................... | -0.08|

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 23 | 35............................................................... | -1.65|

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 20 | 32............................................................... | -5.13|

| | 0 |[ 1] | ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) | |

| | 0 | 3 | [70, 80)......................................................... | -9.51|

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 17 | менее 30......................................................... | -10.75|

| | 0 |[ 1] | ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) | |

| | 0 | 6 | 100 и более...................................................... | -13.49|

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 19 | 31............................................................... | -14.76|

| | 0 |[ 1] | ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) | |

| | 0 | 4 | [80, 90)......................................................... | -20.35|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 27 | 20............................................................... | -23.95|

| | 0 |[ 2] | ВРЕМЯ ПОСЕВА | |

| | 0 | 8 | ранневесенний (февраль).......................................... | -25.09|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 29 | 22............................................................... | -27.37|

| | 0 |[ 3] | ВЫСОТА РАСТЕНИЯ | |

| | 0 | 15 | [170, 200)....................................................... | -34.69|

| | 0 |[ 2] | ВРЕМЯ ПОСЕВА | |

| | 0 | 9 | оптимальный...................................................... | -40.78|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 30 | 23............................................................... | -41.58|

| | 0 |[ 3] | ВЫСОТА РАСТЕНИЯ | |

| | 0 | 16 | 200 и более...................................................... | -44.44|

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

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

В графической форме любые заданные фрагменты матрицы сходства признаков (градаций факторов) могут отображаются в виде семантических сетей (рисунки 7.52 и 7.53).

Интегральные когнитивные карты, отражающие систему детерминации целевых состояний с кодами 16, 22, 28 и 35 высотой и облиственностью растений приведены на рисунках 7.54 и 7.55.

Рисунок 7. 52. Семантическая сеть фенотипических признаков:
«Высота растения»

Рисунок 7. 53. Семантическая сеть фенотипических признаков:
«Облиственность» и «Высота растения»

Рисунок 7. 54. Интегральная когнитивная карта, отражающая систему детерминации целевых состояний с кодами 16, 22, 28 и 35 высотой растений

Рисунок 7. 55. Интегральная когнитивная карта, отражающая систему детерминации целевых состояний с кодами 16, 22, 28 и 35 облиственностью растений

7.4.3.5. Выводы

Таким образом, можно сделать вывод о том, что предложенная семантическая модель и технология СК-анализа обеспечили решение следующих задач:

– задача 1: выявление причинно-следственных зависимостей между фенотипическими признаками подсолнечника и его хозяйственными свойствами;

– задача 2: разработка методики прогнозирования хозяйственных свойств растений подсолнечника на основе анализа их фенотипических признаков;

– задача 3: разработка методики поддержки принятия решений по отбору растений для селекции не по их хозяйственным свойствам, а на основе анализа фенотипических признаков.

Необходимо особо отметить, что "попутно" решается важнешая "задача типизации лет", т.е. разработка обобщенных образов лет сходных по количественным и качественным результатам выращивания данной культуры и сорта в данной микрозоне выращивания. На основе этой зааче может научно-обоснованно решаться задаа районирования сортов.

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

7.4.4.1. Применение в научно-селекционных
организациях

Применение научно-селекционными организациями технологий, подобных описанных в данной работе, позволило бы снизить затраты времени ресурсов на селекцию новых сортов подсолнечника и других культур, повысить качество новых сортов. Это дало бы соответствующий экономический эффект как текущий, связанный с сокращением сроков и других затрат на селекцию, так и долгосрочной: за счет повышения эффективности самих сортов, снижения затрат на единицу произведенной продукции.

7.4.4.2. Применение в образовательных
учреждениях

7.4.4.3. Ограничения разработанной технологии
и перспективы ее развития

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 обычно 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 перспективу развития направления, представленного данной работой, мы видим в разработке моделей, учитывающих кроме климатических, так же технологические 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 научных и производственных организаций.

7.4.4.4. Выводы

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

7.4.5. Выводы

Исследование посвящено решению актуальных задач компьютерной селекции подсолнечника, на основе выявления причинно-следственных зависимостей между его фенотипическими признаками и хозяйственными свойствами.

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

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 компьютерной селекции подсолнечника.

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

7.5. Выводы по 7-й главе

Приведенные примеры постановки и решения задач управления продуктивностью сельхозкультур и качеством продукции позволяют сделать обобщающий вывод об эффективности и целесообразности применения системно-когнитивного анализа для решения подобных задач непосредственно в практике управления в АПК на уровне агротехнологии.

Конечно, рассмотренные в монографии варианты далеко не исчерпывают возможности применения семантических информационных моделей для управления в АПК. Например в 2004 году были разработаны подходы к созданию АСУ рисовыми оросительными системами (Сафронова Т.И., Луценко Е.В., 2004).


Рисунок 7. 8. Интегральная и дифференциальная валидность методики до исключения артефактов	Рисунок 7. 9. Интегральная и дифференциальная валидность методики после исключения артефактов

	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22
1	-21	02	-03	02	05	10		-03		02	-06	14	05	-03	-25	08	03	05	02	-23	05	06
2	-24	-03	-07	-07	11		14	06	-03	03	06	-03	03	-02	-05	01	-04	-09	-03	15	-01	-05
3	16	01	-08	01	-08	-08	-01	04	01	-05	03	-03	01	-02	-06	07	03	09	07	01	-08	-19
4	09	06	06	-04	-08	-08	-04	-04	06	-04	03	02	04	01	04	-17	-03	08	06	-01	-01	-12
5	04	-15	01	09	-08	-01	-11	07	01	07	05	-05	-09	-02	09		03	-07	-01	-07	04	09
6	06	06	09	-06	03	03		-14	-06	-06	-15	-09	-06	08	18	-07	-03	-11	-17	10	01	12
7	-04										04	07	-05		-02	-05	-09		10	-04	01	01
8	-23	02	02	02	02	02	02	02	02	02	11	-05	03	-09	-02	03	05	04	-13	-06	03	04
9	17	-02	-02	-02	-02	-02	-02	-02	-02	-02	-18	-02	01	07	04	02	03	-04		08	-04	-05
10	-47	-12	18	-17	18	-23	08	15	-03	08	12	20	-28	-08	-05		-12	13	-06	07	04	-15
11	-31	-10	16	01	01	13	04	04	04	-20	18	-15	02	-03	-05	01	06		-10	13	-15	-03
12	-41	-10	-06	12	12	-06	02	-02	15	05	-07	-05	-05	05	11	-04	-06	-15	08	-04	11	04
13	-08	15	03		-13	20	-17	-13	03	-04	-01	-08	04	-09	07	06	-09	09	06	-15	-04	10
14	15	07	-08	12	-08	-08	-05	02	-21	04	01	05	14		-16	-09	07	01	10	-06	-15	-02
15	41	05	-28	-05	-13	-09	-02	-13	-09	-02	-31	06	-05	01	02	13	-02	-12	-13	01	15	07
16	-08	-04	-04	-13			08	04	08	04	-02	-11	04	12	02	-13	09		-01	01	-05	-06
17	31	-09	06	-04	-36	-09	09	-09	06	-13	01	16	09	-01	-19	-14	19	-01	01	-11	-19	01
18	21	-17	-17	16	-11	06	-17	-02	06	-02	05	-04	-07	-01	07	-02	-14	-01	-11	13	13	-11
19		-40	-16	-10	12	04	-05	22	-16	19	-03		-06	08	12	-19	-04	-08	-15	02	08	12
20	-04	-08	-04	-43	09	05	27	-08	-08	09	08	-07	-01		01	-02		-15	11	03	02	-05
21	-21	17	-10	-15	20	-10	02	02	12	-15	01	-01	-03	-07	-01	10	-24	08	-01	-04	07	08
22	-14	-09	-09	18	08	-27	15	-04	12	-09	-07	06	01	-08	-04	10		-01	01	03	-04	01
23	-18	02	33	06	-33	10	-25	-12	06	-02	-09	-15	05	06	-05	12	09	01	12	-16	04	-13
24	-34	27	-02	08	05	11	-34	05	-34	08	-02	-03	-03	03	05	-01		09	-04	04	-17	01
25	-04	14	-04	11	04	11	04	-04	-24	-24	11	08	-14	-20	04	08	05	-08	10	-11		02
26	19	-08	-08	05	-08	-13	05	01	05	-08	-09	07	-09	17	-15	-02	-07	-08	13	04	03	-07
27	15	-05	12	-05	-01	-05	09	-14	-26	06	-09	07	-04	-06	08	02	06	16	-03	-03	-04	-21
28	-36	22	02	-23	-05	-01	14	06	-01	-01	10	-06	05	-10	-02	03	-21	-01	-06	01		19
29	15	-14	-20	12	04	12	-27	08	04	-14	05	-21	15	02	-10	03	07	-09	-11	09	04	-05
30	04	17	-10		-45	04	04	-15	17		-23	-08		07	03	11	08	01	-16	10	-02	-09
31	-18	-18	02	-02	31	10	02	-33	-18	13	04	10	-02	-08	07	-14	-06	01	05	-02	01	02
32	-16	-46	13	-01	-06	-29	-36	27	22	16	01	-03	04	11	-01	-21	03	02	01	-11	-03	06

	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22
1	-21	02	-03	02	05	10		-03		02	-06	14	05	-03	-25	08	03	05	02	-23	05	06
2	-24	-03	-07	-07	11		14	06	-03	03	06	-03	03	-02	-05	01	-04	-09	-03	15	-01	-05
3	16	01	-08	01	-08	-08	-01	04	01	-05	03	-03	01	-02	-06	07	03	09	07	01	-08	-19
4	09	06	06	-04	-08	-08	-04	-04	06	-04	03	02	04	01	04	-17	-03	08	06	-01	-01	-12
5	04	-15	01	09	-08	-01	-11	07	01	07	05	-05	-09	-02	09		03	-07	-01	-07	04	09
6	06	06	09	-06	03	03		-14	-06	-06	-15	-09	-06	08	18	-07	-03	-11	-17	10	01	12
7	-04										04	07	-05		-02	-05	-09		10	-04	01	01
8	-23	02	02	02	02	02	02	02	02	02	11	-05	03	-09	-02	03	05	04	-13	-06	03	04
9	17	-02	-02	-02	-02	-02	-02	-02	-02	-02	-18	-02	01	07	04	02	03	-04		08	-04	-05
10	-47	-12	18	-17	18	-23	08	15	-03	08	12	20	-28	-08	-05		-12	13	-06	07	04	-15
11	-31	-10	16	01	01	13	04	04	04	-20	18	-15	02	-03	-05	01	06		-10	13	-15	-03
12	-41	-10	-06	12	12	-06	02	-02	15	05	-07	-05	-05	05	11	-04	-06	-15	08	-04	11	04
13	-08	15	03		-13	20	-17	-13	03	-04	-01	-08	04	-09	07	06	-09	09	06	-15	-04	10
14	15	07	-08	12	-08	-08	-05	02	-21	04	01	05	14		-16	-09	07	01	10	-06	-15	-02
15	41	05	-28	-05	-13	-09	-02	-13	-09	-02	-31	06	-05	01	02	13	-02	-12	-13	01	15	07
16	-08	-04	-04	-13			08	04	08	04	-02	-11	04	12	02	-13	09		-01	01	-05	-06
17	31	-09	06	-04	-36	-09	09	-09	06	-13	01	16	09	-01	-19	-14	19	-01	01	-11	-19	01
18	21	-17	-17	16	-11	06	-17	-02	06	-02	05	-04	-07	-01	07	-02	-14	-01	-11	13	13	-11
19		-40	-16	-10	12	04	-05	22	-16	19	-03		-06	08	12	-19	-04	-08	-15	02	08	12
20	-04	-08	-04	-43	09	05	27	-08	-08	09	08	-07	-01		01	-02		-15	11	03	02	-05
21	-21	17	-10	-15	20	-10	02	02	12	-15	01	-01	-03	-07	-01	10	-24	08	-01	-04	07	08
22	-14	-09	-09	18	08	-27	15	-04	12	-09	-07	06	01	-08	-04	10		-01	01	03	-04	01
23	-18	02	33	06	-33	10	-25	-12	06	-02	-09	-15	05	06	-05	12	09	01	12	-16	04	-13
24	-34	27	-02	08	05	11	-34	05	-34	08	-02	-03	-03	03	05	-01		09	-04	04	-17	01
25	-04	14	-04	11	04	11	04	-04	-24	-24	11	08	-14	-20	04	08	05	-08	10	-11		02
26	19	-08	-08	05	-08	-13	05	01	05	-08	-09	07	-09	17	-15	-02	-07	-08	13	04	03	-07
27	15	-05	12	-05	-01	-05	09	-14	-26	06	-09	07	-04	-06	08	02	06	16	-03	-03	-04	-21
28	-36	22	02	-23	-05	-01	14	06	-01	-01	10	-06	05	-10	-02	03	-21	-01	-06	01		19
29	15	-14	-20	12	04	12	-27	08	04	-14	05	-21	15	02	-10	03	07	-09	-11	09	04	-05
30	04	17	-10		-45	04	04	-15	17		-23	-08		07	03	11	08	01	-16	10	-02	-09
31	-18	-18	02	-02	31	10	02	-33	-18	13	04	10	-02	-08	07	-14	-06	01	05	-02	01	02
32	-16	-46	13	-01	-06	-29	-36	27	22	16	01	-03	04	11	-01	-21	03	02	01	-11	-03	06

ГЛАВА 7. ИНТЕЛЛЕКТУАЛЬНЫЕ МОДЕЛИ УПРАВЛЕНИЯ ПРОДУКТИВНОСТЬЮ СЕЛЬХОЗКУЛЬТУР И КАЧЕСТВОМ СЕЛЬХОЗПРОДУКЦИИ

7.1. Прогнозирование результатов выращивания сельскохозяйственных культур и поддержка принятия решений по рациональному выбору агротехнологий

7.2.1. Актуальность исследования

7.3.1. Постановка задачи и выбор метода ее решения

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

7.3.1.2. Источники исходных данных

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

7.3.1.4. Традиционные методы решения

7.3.1.5. Выводы

7.3.2. Когнитивная структуризация, формальная постановка задачи и синтез модели

7.3.2.1. Обоснование выбора метода и концепция решения задачи

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

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

7.3.2.4. Выводы

7.3.3. Исследование семантический информационной модели

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

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

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

7.3.4.5. Выводы

7.4.1. Постановка задачи и выбор метода ее решения

7.4.2. Когнитивная структуризация, формальная постановка задачи и синтез модели

7.4.3. Исследование семантический информационной модели

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

7.4.5. Выводы

7.5. Выводы по 7-й главе

7.1. Прогнозирование результатов выращивания
сельскохозяйственных культур и поддержка
принятия решений по рациональному
выбору агротехнологий

7.3.1. Постановка задачи и выбор метода
ее решения

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

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

7.3.2. Когнитивная структуризация, формальная
постановка задачи и синтез модели

7.3.2.1. Обоснование выбора метода
и концепция решения задачи

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

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

7.3.3. Исследование семантический
информационной модели

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

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

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

7.4.1. Постановка задачи и выбор метода
ее решения

7.4.2. Когнитивная структуризация, формальная
постановка задачи и синтез модели

7.4.3. Исследование семантический
информационной модели

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

	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22
1	-21	02	-03	02	05	10		-03		02	-06	14	05	-03	-25	08	03	05	02	-23	05	06
2	-24	-03	-07	-07	11		14	06	-03	03	06	-03	03	-02	-05	01	-04	-09	-03	15	-01	-05
3	16	01	-08	01	-08	-08	-01	04	01	-05	03	-03	01	-02	-06	07	03	09	07	01	-08	-19
4	09	06	06	-04	-08	-08	-04	-04	06	-04	03	02	04	01	04	-17	-03	08	06	-01	-01	-12
5	04	-15	01	09	-08	-01	-11	07	01	07	05	-05	-09	-02	09		03	-07	-01	-07	04	09
6	06	06	09	-06	03	03		-14	-06	-06	-15	-09	-06	08	18	-07	-03	-11	-17	10	01	12
7	-04										04	07	-05		-02	-05	-09		10	-04	01	01
8	-23	02	02	02	02	02	02	02	02	02	11	-05	03	-09	-02	03	05	04	-13	-06	03	04
9	17	-02	-02	-02	-02	-02	-02	-02	-02	-02	-18	-02	01	07	04	02	03	-04		08	-04	-05
10	-47	-12	18	-17	18	-23	08	15	-03	08	12	20	-28	-08	-05		-12	13	-06	07	04	-15
11	-31	-10	16	01	01	13	04	04	04	-20	18	-15	02	-03	-05	01	06		-10	13	-15	-03
12	-41	-10	-06	12	12	-06	02	-02	15	05	-07	-05	-05	05	11	-04	-06	-15	08	-04	11	04
13	-08	15	03		-13	20	-17	-13	03	-04	-01	-08	04	-09	07	06	-09	09	06	-15	-04	10
14	15	07	-08	12	-08	-08	-05	02	-21	04	01	05	14		-16	-09	07	01	10	-06	-15	-02
15	41	05	-28	-05	-13	-09	-02	-13	-09	-02	-31	06	-05	01	02	13	-02	-12	-13	01	15	07
16	-08	-04	-04	-13			08	04	08	04	-02	-11	04	12	02	-13	09		-01	01	-05	-06
17	31	-09	06	-04	-36	-09	09	-09	06	-13	01	16	09	-01	-19	-14	19	-01	01	-11	-19	01
18	21	-17	-17	16	-11	06	-17	-02	06	-02	05	-04	-07	-01	07	-02	-14	-01	-11	13	13	-11
19		-40	-16	-10	12	04	-05	22	-16	19	-03		-06	08	12	-19	-04	-08	-15	02	08	12
20	-04	-08	-04	-43	09	05	27	-08	-08	09	08	-07	-01		01	-02		-15	11	03	02	-05
21	-21	17	-10	-15	20	-10	02	02	12	-15	01	-01	-03	-07	-01	10	-24	08	-01	-04	07	08
22	-14	-09	-09	18	08	-27	15	-04	12	-09	-07	06	01	-08	-04	10		-01	01	03	-04	01
23	-18	02	33	06	-33	10	-25	-12	06	-02	-09	-15	05	06	-05	12	09	01	12	-16	04	-13
24	-34	27	-02	08	05	11	-34	05	-34	08	-02	-03	-03	03	05	-01		09	-04	04	-17	01
25	-04	14	-04	11	04	11	04	-04	-24	-24	11	08	-14	-20	04	08	05	-08	10	-11		02
26	19	-08	-08	05	-08	-13	05	01	05	-08	-09	07	-09	17	-15	-02	-07	-08	13	04	03	-07
27	15	-05	12	-05	-01	-05	09	-14	-26	06	-09	07	-04	-06	08	02	06	16	-03	-03	-04	-21
28	-36	22	02	-23	-05	-01	14	06	-01	-01	10	-06	05	-10	-02	03	-21	-01	-06	01		19
29	15	-14	-20	12	04	12	-27	08	04	-14	05	-21	15	02	-10	03	07	-09	-11	09	04	-05
30	04	17	-10		-45	04	04	-15	17		-23	-08		07	03	11	08	01	-16	10	-02	-09
31	-18	-18	02	-02	31	10	02	-33	-18	13	04	10	-02	-08	07	-14	-06	01	05	-02	01	02
32	-16	-46	13	-01	-06	-29	-36	27	22	16	01	-03	04	11	-01	-21	03	02	01	-11	-03	06