автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Методы, алгоритмы и технология прогнозирования агрометеорологических факторов в моделях продуктивности зерновых культур

На правах рукописи

ГАВРИЛОВСКАЯ НАДЕЖДА ВЛАДИМИРОВНА

МЕТОДЫ, АЛГОРИТМЫ И ТЕХНОЛОГИЯ ПРОГНОЗИРОВАНИЯ АГРОМЕТЕОРОЛОГИЧЕСКИХ ФАКТОРОВ В МОДЕЛЯХ ПРОДУКТИВНОСТИ ЗЕРНОВЫХ КУЛЬТУР

05.13.18 - Математическое моделирование, численные методы и комплексы программ

-6 ОКТ 2011

Автореферат диссертации на соискание ученой степени кандидата технических наук

Барнаул - 2011

4855530

Работа выполнена на кафедре теоретической кибернетики и прикладной математики ФГБОУ ВПО «Алтайский государственный университет».

Научный руководитель: кандидат технических наук, доцент

Хворова Любовь Анатольевна

Официальные оппоненты: доктор физико-математических наук,

профессор

Пышнограй Григорий Владимирович

кандидат технических наук, доцент Врагова Елена Владимировна

Ведущая организация: ГНУ Агрофизический научно-исследова-

тельский институт Россельхозакадемии (ГНУ АФИ Россельхозакадемии), г. Санкт-Петербург

Защита диссертации состоится «14» октября 2011г. в 15-00 часов на заседании диссертационного совета Д 212.005.04 в ФГБОУ ВПО «Алтайский государственный университет» по адресу: 656049, г. Барнаул, пр. Ленина, 61, ауд. 416Л.

С диссертационной работой можно ознакомиться в библиотеке ФГБОУ ВПО «Алтайский государственный университет» по адресу: 656049, г. Барнаул, пр. Ленина, 61.

Автореферат разослан «» ОС^ея/л^ш 2011 г.

Ученый секретарь диссертационного совета доктор физико-математических наук, профессор Т-^ С.А. Безноскж

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

В диссертационной работе решается актуальная научная задача, состоящая в разработке методов, алгоритмов и технологий поэтапного прогнозирования агрометеорологических факторов и урожайности зерновых культур, основанных на принципе аналогичности, под которым понимается использование информации для текущего прогноза путем выделения лет-аналогов. При решении задачи прогнозирования урожайности сельскохозяйственных культур с использованием математических моделей продуктивности возникает проблема оценки агрометеорологических параметров от даты прогноза до окончания вегетационного периода. Решение данной проблемы является одной из основных в диссертационной работе и базируется на использовании технологии формирования сценариев погодных реализаций с помощью лет-аналогов и генератора погодных данных.

Актуальность исследования. Политика государства в последние годы направлена на подъем и стабильное функционирование сельского хозяйства и агропромышленного производства. Об этом свидетельствуют осуществление приоритетного национального проекта «Развитие агропромышленного комплекса», реализация Государственной программы развития сельского хозяйства и регулирования рынков сельскохозяйственной продукции, сырья и продовольствия на 2008-2012 гг., а также реализация проекта «Комплексное развитие Алтайского Приобья». Кроме того, сами производители сельскохозяйственной продукции и научно-исследовательские институты испытывают новые методы и технологии ведения сельскохозяйственного производства. Примером тому может служить дифференцированная технология точного земледелия, которая базируется на достижениях не только традиционных областей агрономической науки, но и других областей знаний.

Для поддержки сельскохозяйственных производителей и управления ценовыми рисками с сентября 2006 г. в России реализуется проект по организации рынка биржевых торгов зерном с использованием механизма форвардных и фьючерсных контрактов, которые заключаются, начиная с марта каждого года. В связи с этим субъектам аграрной сферы необходимо обладать аналитической информацией о складывающихся погодных условиях, их возможном воздействии на объекты сельскохозяйственного производства и ожидаемую продуктивность зерновых культур.

Сдерживающим моментом в решении этих задач является погодный фактор, компоненты которого (среднесуточные температура воздуха, скорость ветра, атмосферное давление, относительная влажность воздуха, солнечная радиация, суточная сумма осадков) могут изменяться в широком диапазоне от года к году и в течение самого периода вегетации растений. При обосновании стратегии ведения сельского хозяйства экономический эффект должен быть получен на всем множестве возможных погодных реализаций в многолетнем разрезе. Однако на стадии планирования отсутствует необходимая информация о метеорологической ситуации последующего периода, и необходимо принимать решения, исходя из возможного спектра реализаций агрометеорологических факторов для рассматриваемой климатической зоны.

Для решения практических задач оценки урожайности в службах Росгидромета используются достаточно простые по структуре эмпирические и физико-статические модели, с помощью которых сложно учесть реальную изменчивость погодных условий и варьирующих в больших пределах других факторов формирования урожая. В настоящее время разработаны эффективные моделирующие комплексы продукционного процесса, такие как AGRO-TOOL (Агрофизический институт, г. Санкт-Петербург, Россия), EPIC (Soil & Water Research Laboratory, USDA-ARS), AGROSIM (Centre for Agricultural Landscape Research, Milncheberg, Germany) и другие, которые способны спрогнозировать последствия агротехнологических мероприятий, встраиваясь непосредственно в технологию принятия решений. Однако их использование сдерживается отсутствием необходимой агрометеорологической информации будущего периода.

Цель диссертационного исследования - разработка адаптивных математических моделей, алгоритмов и программ поэтапного прогнозирования агрометеорологических факторов и урожайности зерновых культур в условиях Алтайского края, основанных на принципе аналогичности.

Для достижения поставленной цели в диссертационной работе решаются следующие задачи:

1. Разработка метода прогнозирования агрометеорологических факторов с помощью технологии определения лет-аналогов.

2. Построение математической модели и алгоритма поэтапного прогнозирования урожайности яровой пшеницы на основе принципа аналогичности.

3. Формирование методики предварительного статистического анализа и оценки достоверности экспериментальных агрометеорологических данных.

4. Разработка структуры информационного обеспечения моделей продуктивности, включающего базу агрометеорологических данных, систему первичной обработки данных и интерфейс пользователя.

5. Реализация разработанной технологии в виде комплекса программных средств и апробация предложенного алгоритма для оценки урожайности в условиях Алтайского края в моделях продуктивности зерновых культур (AGROTOOL и EPIC).

Объектом исследования выступает система «Почва-Растение-Атмосфера», статистические закономерности и характеристики погодных явлений и процессов, влияющих на продуктивность зерновых культур.

Предмет диссертационного исследования - многомерные агрометеорологические данные, технологии вычислительных экспериментов, математические методы и модели для обработки и анализа многомерных метеорологических данных.

Методы исследования. Теоретической и методологической основой диссертационного исследования послужили труды отечественных и зарубежных ученых, посвященные обработке и анализу многомерных данных, математическому моделированию, построению математических моделей продукционного процесса сельскохозяйственных культур, численным методам и современным технологиям вычислительных экспериментов.

В ходе решения поставленных задач использовались методы и подходы математического и имитационного моделирования, системного анализа, математической статистики, теоретической и прикладной информатики.

Информационная база исследования - многолетние ежедневные метеорологические данные, агрометеорологическая информация по сезонам вегетации Агрометеорологической станции г.Барнаула (1927-2010гг.), показатели средней урожайности яровой пшеницы АНИИСХОЗ ОПХ им. В.В. Докучаева (1961-2010 гг.); эмпирико-статистические и динамические имитационные модели продуктивности зерновых культур.

Научная новизна полученных результатов заключается в математическом обосновании технологии определения лет-аналогов для генерирования погодных сценариев с целью оценки урожайности зерновых культур. В ходе работы:

1. Разработана адаптивная математическая модель, алгоритмы и технология прогнозирования агрометеорологических факторов и оценки урожайности яровой пшеницы.

2. Определены и обоснованы методы моделирования агрометеорологических факторов в качестве входных данных имитационно-моделирующих комплексов AGROTOOL и EPIC.

3. Разработан и апробирован программный комплекс прогнозирования агрометеорологических параметров, основанный на технологии определения лет-аналогов, для проведения расчетов по оперативной оценке урожайности зерновых культур.

Обоснованность и достоверность научных положений и выводов, содержащихся в диссертационном исследовании, обеспечивается использованием современной теории, апробированных методов и средств моделирования сложных систем, технологий вычислительных экспериментов, соответствием фактических значений агрометеорологических показателей расчетным, сравнением результатов оценки урожайности зерновых культур с фактическими данными на территории Алтайского края в период 2007-2010 гг.

Теоретическая и практическая значимость. Теоретическая значимость проведенных в диссертации исследований определяется обоснованием возможности применения принципа аналогичности к решению задач прогнозирования агрометеорологических факторов и оценке урожайности зерновых культур.

Практическая значимость состоит в разработке математической модели, алгоритмов обработки и прогнозирования агрометеорологических факторов, что будет способствовать дальнейшему развитию и применению методов математического моделирования и современных информационных технологий для установления количественных зависимостей формирования урожая от агрометеорологических факторов, а также в области упреждающего прогнозирования урожайности зерновых культур.

Материалы исследований, представленные в диссертационной работе, могут быть использованы опытными хозяйствами, занимающимися внедрением современных информационных технологий; научными учреждениями сельскохозяйственного профиля для проведения теоретических и прикладных ис-

следований; высшими учебными заведениями для обучения студентов и аспирантов по современным проблемам математического моделирования.

Основные положения, выносимые на защиту:

1. Математическая формализация принципа аналогичности и алгоритм формирования сценариев агрометеорологических параметров текущего года на основе погодных реализаций лет-аналогов.

2. Комплекс инструментальных программных средств обработки экспериментальных агрометеорологических данных для информационного обеспечения моделей продуктивности зерновых культур.

3. Результаты совместного применения технологии определения лет-аналогов и имитационно-моделирующих комплексов АС1ЮТООЬ и ЕР1С для оценки урожайности зерновых культур в условиях Алтайского края.

Апробация результатов исследования. Основные теоретические и практические результаты работы представлены автором на следующих научных конференциях, семинарах и научных школах:

Международные: Международная научная студенческая конференция «Студент и научно-технический прогресс» (Новосибирск, 2007-2009, 2011); Международная научно-практическая конференция «Информационные технологии, системы и приборы в АПК: «АГРОИНФО-2009» (Новосибирск, 2009); IV Международная студенческая научно-практическая конференция «Традиции, тенденции и перспективы в научных исследованиях» (Чистополь, 2009); Международная конференция «Математика. Компьютер. Образование» (Пу-щино, 2011), Международная научно-практическая конференция «Телекоммуникационные системы и компьютерные сети: перспективы развития» (Санкт-Петербург, 2011).

Всероссийские: Всероссийская научно-техническая конференция «Интеллектуальный потенциал ученых России» (Барнаул, 2008); IX Всероссийский симпозиум по прикладной и промышленной математике (весенняя сессия, Кисловодск, 2008); X Всероссийский симпозиум по прикладной и промышленной математике (весенняя сессия, Санкт-Петербург, 2009); Всероссийская конференция (с международным участием) «Математические модели и информационные технологии в сельскохозяйственной биологии: итоги и перспективы» (Санкт-Петербург, 2010); XI Всероссийская конференция молодых ученых по математическому моделированию и информационным технологиям (Красноярск, 2010), Вторая Национальная конференция с международным участием «Математическое моделирование в экологии» (Пущино, 2011).

Межрегиональные и региональные: ежегодная студенческая конференция, проводимая в рамках дней молодежной науки в Алтайском государственном университете (Барнаул, 2004-2009); региональная (краевая) конференция по математике МАК (Барнаул, 2007-2011); городская научно-практическая конференция молодых ученых «Молодежь - Барнаулу» (Барнаул, 2006, 2009); региональная конференция «Математическое образование на Алтае» (Барнаул, 2006); юбилейная окружная конференция молодых ученых «Наука и инновации XXI века» (Сургут, 2010); городской семинар «Задачи прикладной и индустриальной математики» (Барнаул, 2010); межрегиональная школа-семинар

«Ломоносовские чтения на Алтае» (Барнаул, 2010).

Личный вклад автора состоит:

- в разработке алгоритма и технологии прогнозирования агрометеорологических факторов, основанной на принципе аналогичности;

- в компьютерной реализации программного комплекса прогнозирования агрометеорологических параметров;

- в проведении вычислительных экспериментов и обобщении полученных результатов.

Реализация и внедрение результатов работы. Основные результаты получены и реализованы в соответствии с заданием ведомственно-аналитической программой «Развитие научного потенциала Высшей школы 2009-2011» №2.2.2.4/4278.

Материалы, основные положения и результаты диссертационной работы используются в учебном процессе кафедры теоретической кибернетики и прикладной математики математического факультета Алтайского государственного университета.

Результаты диссертационного исследования по прогнозированию агрометеорологических факторов и урожайности яровой пшеницы переданы для использования в Алтайский центр по гидрометеорологии и мониторингу окружающей среды, что подтверждается соответствующей справкой.

Публикации. По теме диссертационной работы автором опубликовано 38 работ, в том числе 6 статей в ведущих реферируемых научных журналах, рекомендованных ВАК для публикации результатов диссертационных работ.

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, 2 приложений и списка используемых источников и литературы (184 наименования). Основной материал изложен на 163 страницах, включая 22 таблицы, 45 рисунков.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, сформулированы цели и задачи, объект и предмет исследования, научная новизна и положения, выносимые на защиту, теоретическая и практическая значимость, апробация результатов исследования, отражен личный вклад автора.

В первой главе «Основные методы прогнозирования в агрометеорологии» приведен обзор и анализ основных подходов в прогнозировании агрометеорологических факторов, рассмотрены традиционные и современные методы прогноза в агрометеорологии.

К числу наиболее известных методов и подходов к решению проблемы составления агрометеорологических прогнозов относятся:

- синоптика-статистические методы (П.И. Броунов, Г.Я. Вангенгейм, A.A. Гире, Б.П. Мультановский, Д. Немайес, С.Т. Пагавы, В.М. Пасов, О. Петтерсон, А.И. Савичев, Дж. Уокер и др.), которые используются при долгосрочных прогнозах погоды и основаны на смене циркуляционных режимов;

- физико-статистические методы (И.Г. Грингоф, В.М. Обухов, А.Д. Пасечнюк, А.Н. Полевой, О.Д. Сиротенко, Х.Г. Тооминг, Е.С. Уланова, Ю.И. Чирков, de Wit С.Т. и др.), связывающие продуктивность земель с обоб-

щенными агроклиматическими и почвенными показателями и позволяющие приближенно прогнозировать возможную продуктивность сельскохозяйственных посевов на больших территориях;

- численные методы (П.Н. Белов, Г.П. Курбаткин, Г.И. Марчук, В.В. Пененко и др.), главное внимание в которых уделяется гидродинамическим методам, основанным на теоретических исследованиях атмосферных процессов, разработке количественных методов анализа и прогноза погоды, точных или приближенных (численных) решениях уравнений гидродинамики;

- принцип аналогичности (H.A. Багров, Г.В. Груза, С.П. Хромов и др.).

Современный уровень развития компьютерной техники и программного

обеспечения создали предпосылки для нового подхода, основанного на использовании данных дистанционного зондирования Земли и имитационно-моделирующих комплексов (З.Н. Бихеле, A.B. Евтюшкин, A.A. Лагутин, В.Л. Миронов, P.A. Полуэктов, Ю.К. Росс, А.Г. Топаж, P.C. Doraiswamy, S.J. Maas, W. Mirschel, J.R. Williams и др.).

В первой главе диссертации представлены выводы о преимуществах и недостатках рассмотренных методов составления агрометеорологических прогнозов и о возможности их практического использования. В качестве перспективного метода обосновывается моделирование погодных сценариев, основанное на принципе аналогичности.

Вторая глава диссертации «Разработка технологии определения лет-аналогов для поэтапного прогнозирования урожайности зерновых культур» посвящена вопросам разработки технологии определения лет-аналогов для поэтапного прогнозирования урожайности зерновых культур. Разработка алгоритма поэтапного прогнозирования - многоступенчатый процесс (от теоретических исследований до построения прогноза урожайности с помощью моделей продуктивности зерновых культур), который предусматривает использование современных компьютерных технологий (рис. 1).

Этапы алгоритма поэтапного прогнозирования урожайности зерновых культур (рис. 1):

1) формирование информационного обеспечения: сбор и расчет агрометеорологических показателей, предварительный статистический анализ и оценка достоверности экспериментальных данных, необходимых для идентификации алгоритма;

2) технология определения лет-аналогов: кластеризация данных, выбор оптимального разбиения на кластеры, образование класса лет-аналогов для исследуемого года;

3) моделирование погодных денариев, основанное на использовании двух подходов: принципа аналогичности и стохастических методов;

4) разработка комплекса инструментальных программных средств;

5) прогноз урожайности на основе прогностических моделей-,

6) оценка урожайности с помощью имитационно-моделирующих комплексов AGROTOOL и ЕРЮ.

Рис. 1. Блок-схема процедуры поэтапного прогнозирования урожайности зерновых культур

Во второй главе диссертационной работы описываются первые три этапа приведенного выше алгоритма, остальные этапы рассматриваются в третьей главе.

В рамках первого этапа сформирована методика предварительного статистического анализа и оценки достоверности экспериментальных агрометеорологических данных. Центральное место в рассматриваемой методике занимают вопросы обработки и анализа накапливаемой информации. Множество данных наблюдений формировалось по принципу: оно должно быть достаточно информативным для того, чтобы обеспечить выбор или построение прогностической модели урожайности и обеспечить качество определения лет-аналогов.

Предварительный анализ качества исходных данных позволяет выявить и исправить грубые ошибки в исходных данных; найти и оценить достоверность аномальных значений, их влияние на результаты последующей обработки, установить причины их возникновения; определить значимость факторов, влияющих на урожайность зерновых культур по фазам развития, и установить связи между факторами. Как показывает практика, данные агрометеорологических наблюдений являются неоднородными, обладают широким диапазоном вариации, связностью. Это осложняет их обработку стандартными статистическими методами. Исследование многомерных рядов урожайности зерновых культур позволило изучить показатели динамики временного ряда, включая циклические свойства и нестационарность.

Особое внимание во второй главе диссертационной работы уделено технологии определения лет-аналогов. В основе данной технологии лежат принципы аналогичности и классификации агрометеорологических факторов. Первый этап в технологии состоит в отнесении всей совокупности исходных объектов к определенному классу на основании исследования системы признаков или показателей, характеризующих эти объекты.

Пусть из множества £2 всех исследуемых объектов

необходимо сформировать по решающему правилу непересекающиеся подмножества Д, б £2 - классы сходных между собой объектов - лет-аналогов, вида

Аи = {(*\ ун): X" б Гк е У, ЛГ =1^, ат <«} .

Здесь Хг ={ху] - матрица значений агрометеорологических факторов размера 1хк• определенная для каждой совокупности наблюдаемых признаков, влияющих на вектор уг; уг - вектор значений фактической урожайности, п -число исследуемых лет, к - число имеющихся агрометеорологических характеристик, г - дискретный момент времени; т - количество сформированных классов, обладающих совокупностью факторов, близких между собой по влиянию на результирующий признак объекта уы, ат - количество лет-аналогов в соответствующем классе.

Под

решающим правилом будем понимать обеспечение экстремума

функционала ^(Д,) -> пмп(тах) - мера однородности объектов, где

А.

^: X х X —» Л . В случае зависимых признаков за меру однородности объектов принимают расстояние Махаланобиса

где х - значение признака, X - корреляционная матрица, х - центр класса (кластера). Под объектами классификации понимаются годы, а в качестве признаков или показателей, характеризующих эти объекты, выступают агрометеорологические факторы.

Для сравнения нескольких типизаций и выбора наиболее подходящей из них необходим критерий - численная мера качества классификации. Оценкой качества классификации служит показатель

1 т _

-IX

Г 1 !>}

где т - число кластеров, с1и - среднее расстояние между точками внутри / -го кластера, - среднее расстояние между парами точек / -го и у -го кластеров. Значения показателя (1) подсчитываются для всех вариантов разбиения исходного множества на т классов.

Оптимальное число кластеров определяется с помощью критерия «каменистой осыпи», согласно которому на графике зависимости показателя Кт от количества разбиений на кластеры, необходимо найти точку, в которой убывание Кт значительно замедляется.

В результате данной процедуры, во-первых, формируется обучающая выборка Хг° = {х.°} - матрица многомерных наблюдений лет-аналогов, соответствующих у -му классу, у" = 1 ,т, I - количество признаков классификации,

1 = 1, л. Во-вторых, строится классификатор (дискриминантная функция), позволяющий каждый объект отнести к определенному классу. При этом типо-образующие признаки и искомое правило классификации (классификатор) должны быть подобраны таким образом, чтобы обеспечивать в определенном смысле наивысшую точность решения задачи отнесения объекта к одному из анализируемых классов по заданным значениям его описательных признаков. Выбранные для классификации признаки должны соответствовать этапу прогноза.

Во второй главе диссертации представлена система моделирования погодных сценариев, основанная на использовании двух подходов: принципа аналогичности и стохастических методов.

Моделирование погодных сценариев по принципу аналогичности - это задача второго этапа технологии определения лет-аналогов. Решение данной задачи заключается в том, чтобы из всех подмножеств Д„ € О выбрать класс объектов Л1!к1, наилучшим образом соответствующий, согласно определенным

критериям, новому элементу = /0=1, /„; у = 1, к, 10<1; I обычно

принимают равным 365 дням; /0 - номер суток, отсчитываемый с 1 января текущего года, с которого производится моделирование погодного сценария. Для оценки влияния погодных условий на формирование урожая требуется на основе исследования совокупности агрометеорологических параметров клас-

сифицировать ситуацию в определенный период времени, учитывая ее влияние на состояние растений, точнее, на урожайность.

Вследствие этого сформированный класс объектов Д^ образует ансамбль возможных реализаций погодных условий, который можно описать вектором агрометеорологических факторов О = , где — показатели

исследуемого года, - показатели лет-аналогов, у = 1 ,к , I = 1,т0 .

тв

Тогда прогнозный сценарий для исследуемого года (7° (?) = ог О' (I),

где ; = I' — дата уборки урожая, можно построить с помощью оптимизационной процедуры:

г=1 1=1 1=1 а>

10<1'<1, ¿>,=1, а,>0. (3)

1=1

Коэффициенты а;, в диссертационной работе называются показателями аналогичности.

При этом ежедневные осадки прогнозируются по вероятности появления дождя в годах-аналогах. Для реализации данной процедуры используются псевдослучайные числа. Интенсивность осадков определяется приростом средних осадков по годам-аналогам от предыдущего дождливого дня. Таким образом, выбранный способ моделирования осадков обеспечивает совпадение среднего числа дождливых дней прогнозного года со средним числом дождливых дней лет-аналогов. В дождливый день график температуры и солнечной радиации не корректируется, что обеспечивает совпадение статистических характеристик, определенных по годам-аналогам.

Выбор дискретных периодов появления дождя позволяет ввести в динамические модели (АО!ЮТООЬ, ЕРЮ) данные, соответствующие засушливым периодам. И, более того, использование как смоделированного погодного сценария, так и фактических агрометеорологических данных в моделях продукционного процесса зерновых культур позволяет получать статистически неразличимые расчетные характеристики.

Задача (2)-(3) относится к классу выпуклых задач математического программирования и решается с использованием метода сопряженных градиентов. Решение этой задачи предполагает, что при работе модели на ее вход подаются фактические погодные данные до того момента, с которого начинается прогнозирование. Для состыковки (сглаживания) фактических данных и данных лет-аналогов фиксируются отклонения фактических данных на дату прогноза и отклонения данных года-аналога. Эти отклонения сглаживаются с помощью динамического звена первого порядка, отфильтровывающего флуктуации.

Пусть отклонения фактических агрометеорологических факторов составляют величину ДТка1 (к), а присоединенных данных года-аналога -АТа (к). Эти отклонения сглаживаются по формуле:

ATprog(k + l) = Q- ДТа(к) + (1 -G)• ЛГгео/(к), где показатель сглаживания Q изменяется в пределах 0 < Q < 1. Полученная в результате этого сглаженная поправка добавляется к климатической кривой, которая распространяется далее на весь период прогноза.

В данном случае речь идет не о прогнозе погоды в общепринятом значении этих слов, а о моделировании некоторого правдоподобного сценария ежедневных метеорологических данных на прогнозный период.

Прогноз начинается с момента заключения форвардных контрактов и уточняется по мере поступления метеорологической информации. Таким образом, ход метеоусловий «адаптируется» к особенностям конкретного года.

В диссертационной работе проводится сравнение сгенерированного согласно описанной методике погодного сценария с алгоритмом генерации погодных условий, разработанным в лаборатории математического моделирования агроэкосистем Агрофизического института г. Санкт-Петербурга. Сравнение проведено путем анализа уровней урожайности, рассчитанных по имита-ционно-моделирующим комплексам AGROTOOL и EPIC. Показано, что использование принципа аналогичности приводит к повышению точности прогноза урожайности. Полученные результаты позволяют рекомендовать разработанный алгоритм генерации погодных сценариев для использования в других имитационно-моделирующих комплексах продуктивности сельскохозяйственных культур.

Итогом моделирования погодных сценариев является «веер» возможных траекторий агрометеорологических факторов и соответствующие ему множества возможных значений потенциального вероятностного прогноза ресурсов продуктивности. Основная цель моделирования погодных сценариев заключается в том, что эта процедура, будучи использована в качестве входных данных математических моделей продукционного процесса, даст результат, решающий задачу прогноза основных параметров продукционного процесса. Таким образом, полученные в результате моделирования метеорологические ситуации присоединяются к имеющимся фактическим метеоусловиям, образуя полный набор ежедневных входных данных для математических моделей продуктивности зерновых культур. Возможность реализации такого подхода связана с инерционными свойствами система почва - растительный покров - атмосфера, которая «фильтрует» незначительные случайные флуктуации метеопараметров, отслеживая лишь общую тенденцию их изменений.

В третьей главе диссертации «Применение математических моделей и программных средств прогнозирования агрометеорологических факторов и оценки урожайности яровой пшеницы в условиях Алтайского края» описан разработанный автором программный комплекс для обработки агрометеорологических данных и информационного обеспечения моделей продуктивности зерновых культур. Приведен анализ численных расчетов поэтапной

оценки урожайности яровой пшеницы по смоделированным погодным сценариям с использованием имитационно-моделирующих комплексов AGROTOOL и EPIC.

Особая роль в системе оперативного агрометеорологического обеспечения сельскохозяйственного производства отводится информационно-прогностическим системам обработки и анализа агрометеорологической информации, позволяющим в результате обобщения этой информации осуществлять прогноз агрометеорологических факторов и урожайности зерновых культур.

В процессе диссертационного исследования разработан программный комплекс для обработки экспериментальных агрометеорологических данных (Program Complex for Processing and Forecasting Agrometeorological Factors) и информационного обеспечения моделей продуктивности зерновых культур, в состав которого входят:

1) база экспериментальных данных;

2) блок формирования и первичной обработки агрометеорологических факторов;

3) блок реализации технологии определения лет-аналогов (применение принципа аналогичности для формирования погодных сценариев с помощью кластерного и дискриминантного анализов).

Разработка и формирование базы экспериментальных данных проводились на основе многолетних материалов наблюдений Агрометеорологической станции г. Барнаула и АНИИСХОЗа ОПХ им. В.В. Докучаева. База данных содержит следующую агрометеорологическую информацию:

1) многолетние ежедневные метеорологические данные (минимальная и максимальная температура воздуха (град С); минимальная относительная влажность воздуха (%); осадки (мм); скорость ветра (м/с)); солнечная активность (число Вольфа) и т.д.;

2) а1рометеорологическую информацию (данные наблюдений за посевом): влажность почвы по слоям (см); температура почвы (град С); даты наступления фенофаз;

3) гидрофизические характеристики полей: тип почвы и мехсостав, удельная масса почвы (г/см3); объемная масса почвы (г/см); максимальная гигроскопичность (%); влажность устойчивого завядания (%); наименьшая влаго-емкость (%); капиллярная влагоемкость (%); полная влагоемкость (%); нижняя и верхняя границы реальных значений влажности почвы;

4) информацию по технологиям: даты сева и уборки; внесение удобрений; урожайность зерновых культур.

Для компьютерной реализации комплекса и реляционной модели базы данных выбран алгоритмический язык Java (NetBeans). В системе разработан интерфейс, позволяющий осуществлять экспорт и импорт во внешние источники, редактировать и формировать данные в базе.

База экспериментальных данных AMDB (AgroMeteorological Data Base) представлена в виде иерархически организованной совокупности управляющих и подчиненных таблиц данных (рис. 2).

Рис. 2. Структура базы данных AMDB

Информационная система AMDB спроектирована с помощью специализированной библиотеки SQLite, позволяющей в полной мере использовать современный инструментарий средств работы с базами данных по SQL-стандарту.

В программном комплексе реализован блок формирования и первичной обработки агрометеорологических факторов, в рамках которого осуществляется оценка достоверности экспериментальных данных: анализ, выбраковка и восстановление аномальных (сбитых) или пропущенных наблюдений, а также блок реализации технологии определения лет-аналогов по алгоритму поэтапного прогнозирования урожайности, описанного во второй главе диссертационной работы (рис. 3).

Разработанный программный комплекс может быть непосредственно использован при создании программно-алгоритмического обеспечения системы поддержки принятия управленческих решений и в существующих моделях продуктивности и прогнозирования урожайности зерновых культур.

Во втором параграфе главы описана интеграция технологии определения лет-аналогов с имитационно-моделирующими комплексами AGROTOOL и EPIC.

Для формирования информационного обеспечения имитационно-моделирующего комплекса AGROTOOL был модифицирован интерфейс генератора погодных сценариев, описанный во второй главе диссертации.

В модифицированной версии генератор позволяет работать в двух режимах: моделировать сценарий погоды по данным лет-аналогов (в принципе, по любой реализации фактических погодных условий) и с помощью стохастических (вероятностных) методов (рис. 4).

У| ПрогдоаимлС каыпяеа дяя об(йб«юот и яроташяровзяв® вгредлегео.,, f О If ©

(Фай/|1 Правка база [Теаюуш ооредел^я лет- знатогов | Справка

] Создать | Проверка корректности данных

Открыть. J Сохранит Сохранитьюэк... Импорт Экспорт Выход

Статистический анализ данных Формирование данных

Классификация агрометеорологических факторов Определение лет-аналогов Формирование данных для AGROTOOL Формирование данньк для EPIC

Рис. 3. Интерфейс программного комплекса обработки экспериментальных агрометеорологических данных

Сформированный погодный сценарий хранится в оперативной базе данных (ODB), содержащей информацию, доступную исполняемому файлу модели AGROTOOL.

При проведении расчетов в имитационной модели EPIC, модифицированной в программный комплекс SDIM, производится настройка параметров

Метеостанция ¡Бар^л~

Й2Щ 3

Дета начала в опорном сценарии |21.06.2008

Мвтсад Формирования-------------------- - - -

С Генератор

3

| ! <• По году-аналогу начиная с... ¡21.06.1990

~3

Формировать

модели с использованием методов покоординатного и наискорейшего спуска, выбор культуры, даты сева,

агрометеорологических данных для года расчета. Необходимые агрометеорологические данные сформированы с использованием технологии определения лет-аналогов. Результатами расчетов являются: величина

урожайности, прогноз даты

Рис. 4. Интерфейс генератора погодных сценариев

уборки, динамика изменения листового индекса, биомассы и т.д.

Заключительным этапом диссертационного исследования является оценка урожайности яровой пшеницы в условиях Алтайского края, которая была осуществлена на независимом материале по данным 2007-2010 гг. При этом на интервале до даты составления прогноза используются фактические погодные условия данных лет-. На этапах прогноза считаем, что фактические погодные условия неизвестны.

Для поэтапной оценки урожайности был разработан и реализован следующий алгоритм:

• определены даты прогноза: на дату заключения форвардных контрактов (а); дату сева (Ь); в основные периоды вегетации: первые две декады после сева (с); на плановые даты оценки урожайности службами Росгидромета (21 июня (с1), 21 июля (е));

® проведена проверка на корректность агрометерологических параметров, и сформирована таблица данных для проведения классификации в программном комплексе;

• реализована классификация лет по основным агрометеорологическим факторам;

• определено оптимальное количество кластеров (например, на дату сева оптимальное количество кластеров равно шести (рис. 5));

• сформированы классы лет-аналогов по степени влияния фактических агрометеорологических факторов на урожайность (таблица 1);

в построен прогноз урожайности с использованием регрессии на главные компоненты (РГК). Например, уравнение регрессии по годам-аналогам для 2008 года на дату сева имеет вид:

У,,гк — -0,002.x, +0,002*2 + 0,007х3 + 0,022х4 +0,108л, +11,87 , где х1 - сумма осадков за осень (мм), х^ - сумма осадков за зиму (мм), х} -сумма температур за весну Т°С), х4 - сумма осадков за весну (мм), х5 - количество дней с осадками за весну, У - урожайность (ц/га).

Таблица 1

Прогноз урожайности зерновых культур по годам-аналогам на дату сева для 2007-2010 гг. ____

Исследуемые годы Годы-аналоги Расчетная урожайность, ц/га Фактическая урожайность, ц/га Ошибка прогноза, %

2007 1961, 1979, 1989, 1990, 1991, 2005 17,0 17,6 3,4

2008 1980, 1988, 1993, 2003, 2006 18,4 18,9 2,8

2009 1985, 1987, 2006 18,9 35,5 46,8

2010 1972, 1989, 2005 16,5 19,4 15,2

На следующем этапе исследования от даты прогноза строим веер возможных погодных реализаций, смоделированных по годам-аналогам и с помощью генератора погодных данных.

Результаты численных экспериментов по прогнозированию погодных сценариев <3°(?), ?=/0,/'', у = 1Д для исследуемых лет с помощью критерия

2 4 5 £ 7 8 9 10 11

Кплнчес.Еи кпас!Сроа

Рис. 5. График для определения оптимального числа кластеров

(2)-(3) приведены на рисунке 6 (прогноз среднесуточных температур воздуха и суммы осадков с 22.06 по 21.07. 2008 г.).

21 июн 24 и юн 27 июн ЗОиюн Зиюл биюл 9 июл 12 июл 15июл 16 июл 21 июл

Дата

—-«4'— Фактические знамения суммы осадков —Смоделированный сценарий осадков _ Фактические значения осадков пет-анапогое

Рис. 6. Расчетные и фактические погодные сценарии Как видно из рисунка 6 траектории прогнозных значений температуры воздуха и осадков для исследуемого года не выходят за границы пучка траекторий лет-аналогов.

Рис. 7. Фактические и смоделированные агрометеорологические факторы для 2008 г.

С помощью имитационно-моделирующих комплексов AGROTOOL и EPIC, адаптированных автором к условиям Алтайского края, выполнены расчеты по развитию яровой пшеницы, и оценена урожайность в зависимости от

сгенерированных различных вариантов погодных условий. На рисунке 7 приведены результаты моделирования имитационно-моделирующим комплексом AGROTOOL для 2008 г.

В таблице 2 представлены результаты оценки урожайности яровой пшеницы в условиях Алтайского края на дату сева по годам-аналогам и стохастическому генератору.

Таблица 2

Результаты прогноза урожайности яровой пшеницы на дату сева

2007г. По погодных citena-риш лег. amuoros По иотюдгаыи сценариям (генератор)

1 2 -3 4 5

Фактическая 17,6 - - - - -

Прогноз AGROTOOL 17,1 17,2 32,1 31,1 22,7 21,1 37,4

Прогноз ЕРЮ 19,2 16,9 29,5 30,1 16,2 22,7 38,5

Е0 , AGROTOOL/ EPIC 2,8/9,1 2,3/4,0 82,4/67,6 76,7/71,0 29,0/8,0 19,9/29,0 112,5/118,8

£а , AGROTOOL/ EPIC 0,5/1,6 0,4/0,7 14,5/11,9 13,5/12,5 5,1/1,4 3,5/5,1 19,8/20,9

Р, AGROTOOL/ EPIC 0/0 0/0 1/1 1/1 1/0 0/1 1/1

О, AGROTOOL/EPIC 97/91 98/96 18/32 23/29 71/92 80/71 -/-

2008 г. По погодным сценариям лст-aisa.wioB Но »оголным сценариям (генератор)

1 2 3 4 5

Фактическая 18,9 - - - - - -

Прогноз AGROTOOL 19,9 19,5 22,1 25,7 27,6 16,1 3,3

Прогноз EPIC 17,3 18,0 20,4 25,1 26,4 15,2 8,7

£0, AGROTOOL/ EPIC 5,3/8,5 3,2/4,8 16,9/7,9 36,0/32,8 46,0/39,7 14,8/19,6 82,5/54,0

£a, AGROTOOL/ EPIC 1,0/1,6 0,6/0,9 3,2/1,5 6,8/6,2 8,7/7,5 2,8/3,7 15,6/10,2

P, AGROTOOL/EPIC 0/0 0/0 0/0 1/1 1/1 0/0 1/1

O, AGROTOOL/ EPIC 95/92 97/95 83/92 64/67 54/60 85/80 17/46

2009 r. Но погодный сценариям J1CT-апалогоя По погодным сценариям (гагератор)

2 ■3' 4 ' 5 ' '

Фактическая 35,5 - - - - - -

Прогноз AGROTOOL 25,5 31,8 21,2 25,3 34,1 30,2 34,9

Прогноз EPIC 23,1 23,7 24,1 22,7 29,8 27,6 31,2

E0 , AGROTOOL/ EPIC 28,2/34,9 10,4/33,2 40,3/32,1 28,7/36,1 3,9/16,1 14,9/22,3 1,7/12,1

Ea, AGROTOOL/ EPIC 10,0/12,4 3,7/11,8 14,3/11,4 10,2/12,8 1,4/5,7 5,3/7,9 0,6/4,3

P, AGROTOOL/EPIC 1/1 0/1 1/1 1/1 0/1 1/1 0/0

O, AGROTOOL/EPIC 72/65 90/67 60/68 71/64 96/84 85/78 98/88

2010 г. " По погодным сценариям лст-аналогов tto HOiO.iuuu сцсмариам (генератор)

? 2 г 4 5

Фактическая 19,4 - - - - - -

Прогноз AGROTOOL' 21,6 20,1 37,4 27,4 35,3 28,9 27,3

Прогноз EPIC 21,1 17,7 31,2 24,7 23,1 26,2 30,1

Е0, AGROTOOL/ EPIC 11,3/8,8 3,6/8,8 92,8/60,8 41,2/27,3 82,0/19,1 49,0/35,1 40,7/55,2

£а, AGROTOOL/ EPIC 2,2/3,7 0,7/1,7 18,0/11,8 8,0/5,3 15,9/3,7 9,5/6,8 7,9/10,7

Р, AGROTOOL/EPIC 0/0 0/0 1/1 1/1 1/0 1/1 1/1

О, AGROTOOL/ EPIC 89/91 96/91 8/39 59/73 18/81 51/65 59/45

Обозначения в таблице 2: Еа - относительная ошибка прогноза (%), Еа - абсолютная ошибка

прогноза (ц/га), Р - оценка прогноза относительно допустимой погрешности (превышает - 1, не превышает - 0), О- оправдываемость прогнозов (%).

Разброс значений урожайности по погодным сценариям случайных реализаций составляет от 3,25 до 37,4 ц/га (результат не предсказуем), по годам-аналогам - от 16,9 до 31,8 ц/га, фактическое изменение величины урожайности - от 17,6 до 35,5 ц/га. Анализ модельных расчетов урожайности по погодным сценариям лет-аналогов свидетельствует о правдоподобности полученных прогнозов.

Результаты поэтапного прогнозирования урожайности яровой пшеницы по моделям (РГК, АО!ЮТООЬ, ЕРЮ) в различные периоды приведены в таблице 3.

Таблица 3

Результаты поэтапного прогноза урожайности яровой пшеницы _в условиях Алтайского края _

Смоделированные погодные сценарии по принципу аналогичности

Годы По РГК По EPIC По AGROTOOL

2007 2007 2007 2007 2007 2008 2009 2010 2007 2008 2009 2010

(а) 17,8 16,2 16,2 16,2 16,2 20,1 24,2 20,9 19,4 20,1 24,2 20,9

(Ь) 17,0 16,9 16,9 16,9 16,9 19,5 31,8 20,1 17,2 19,5 31,8 20,1

(с) 18,4 20,1 20,1 20,1 20,1 17,8 24,7 18,5 18,2 17,8 24,7 18,5

(d) 17,1 17,0 17,0 17,0 17,0 19,9 25,5 20,1 17,1 19,9 25,5 20,1

(е) 20,1 17,0 17,0 17,0 17,0 19,4 27,3 18,9 17,1 19,4 27,3 18,9

Фактическая 17,6 17,6 17,6 17,6 17,6 18,9 35,5 19,4 17,6 18,9 35,5 19,4

Оценка качества прогнозов и, соответственно, успешность разработанной технологии прогноза урожайности яровой пшеницы производилась по их оправдываемое™ относительно допустимой погрешности прогноза (0,67<т,сг- среднее квадратическое отклонение) согласно инструкции по оценке оправдываемости агрометеорологических прогнозов.

Верификация (калибровка) технологии определения лет-аналогов была произведена по трем независимым выборкам, сформированным по различным критериям. Обоснование применимости разработанной технологии генериро-

вания погодных сценариев с целью оценки урожайности зерновых культур подтверждается качественным анализом полученных результатов (таблица 4).

Анализ результатов применения разработанного алгоритма поэтапного прогнозирования урожайности зерновых культур показал хорошее совпадение фактической урожайности с расчетной по погодным сценариям лет-аналогов, это говорит о том, что разработанная технология моделирования погодных сценариев может успешно применяться для текущего планирования и перспективного прогнозирования урожайности яровой пшеницы на территории Алтайского края.

Таблица 4

Результаты оценки урожайности зерновых культур по моделям

Факторы РГК ЕР1С АОЯО'ГООЬ

Количество составленных прогнозов 90 90 90

Число оправдавшихся прогнозов 71 79 84

Число не оправдавшихся прогнозов 19 11 6

Доля оправдавшихся прогнозов, % 79 88 93

Доля не оправдавшихся прогнозов, % 21 12 7

Средняя абсолютная ошибка прогноза, ц/га 3,6 2,7 1,4

Средняя относительная ошибка прогноза, % 17,8 15,4 11,3

В заключении диссертационной работы сформулированы основные результаты:

1. Осуществлена математическая формализация принципа аналогичности и реализован алгоритм формирования сценариев по погодным реализациям лет-аналогов для оценки урожайности зерновых культур в моделях продуктивности.

2. Разработаны математические модели, алгоритмы и технология обработки имеющейся агрометеорологической информации для адаптивного прогнозирования агрометеорологических факторов и получения прогнозной оценки урожайности яровой пшеницы.

3. Разработан и апробирован программный комплекс прогнозирования агрометеорологических параметров для проведения расчетов по оперативной оценке урожайности зерновых культур в моделях продуктивности зерновых культур (АОЯОТООЬ и ЕРЮ).

4. Проведен анализ и дана оценка успешности прогнозирования урожайности. Показано, что разработанная технология определения лет-аналогов для прогнозирования агрометеорологических факторов позволяет оценить урожайность зерновых культур заблаговременно: на дату заключения форвардных контрактов, дату сева, в основные периоды вегетации, на плановые даты оценки урожайности службами Росгидромета (21 июня, 21 июля).

Разработанные методы, алгоритмы и технология прогнозирования агрометеорологических факторов реализованы в виде программных средств и апробированы в условиях Алтайского края.

ОСНОВНЫЕ РАБОТЫ ПО ТЕМЕ ДИССЕРТАЦИИ

Работы, опубликованные автором в ведущих рецензируемых научных журналах, рекомендованных ВАК Министерства образования и науки Российской Федерации

1. Гавриловская Н.В. Математическое моделирование медико-экологических систем // Обозрение прикладной и промышленной математики.

- М„ 2008. - Т. 15, вып. 3. - С. 458-459.

2. Гавриловская Н.В. Особенности оценки урожайности зерновых культур с помощью поиска года-аналога // Обозрение прикладной и промышленной математики. - М., 2009. - Т. 16, вып. 2. - С. 305-306.

3. ХвороваЛ.А., Брыксин В.М., Гавриловская Н.В. Использование информационных технологий при прогнозировании урожайности зерновых культур // Научно-технические ведомости СПбГПУ: Информатика. Телекоммуникации. Управление. - СПб., 2009. - №5 (86). - С. 23-30.

4. Гавриловская Н.В., Хворова Л.А. Информационно-прогностическая система сбора, обработки, анализа и обобщения агрометеорологической информации // Известия АлтГУ. - Барнаул, 2010. - №1 (65). -С. 65-68.

5. Хворова Л.А., Гавриловская Н.В. Адаптивная идентификация структуры динамических моделей продукционного процесса сельскохозяйственных растений // Известия АлтГУ. - Барнаул, 2010. - №1/2 (65). - С. 139144.

6. Гавриловская Н.В., Топаж А.Г., Хворова Л.А. Моделирование погодных сценариев для оценки урожайности зерновых культур в условиях Западной Сибири // Известия АлтГУ. - Барнаул, 2011. - №1 (69). - С. 71-77.

Другие публикации:

7. Гавриловская Н.В., Ковалева Т.М., Брыксин В.М. Применение информационных технологий, математических методов и моделей в задачах прогнозирования продуктивности агроэкосистем и медико-экологических исследованиях // Студент и научно-технический прогресс. Информационные технологии: материалы XLV Международной научной студенческой конференции.

- Новосибирск, 2007. - С. 127-128.

8.. Хворова Л.А., Гавриловская Н.В. Разработка алгоритма определения года-аналога для оценки урожайности зерновых культур в условиях Алтайского края // Известия АлтГУ. - Барнаул, 2007. - №1 (53). - С. 66-67.

9. Хворова Л.А., Гавриловская Н.В. О классификации, распознавании образов и моделировании в задачах прогноза урожайности яровой пшеницы в условиях Алтайского края // МАК-2007: материалы десятой региональной конференции по математике. - Барнаул, 2007. - С. 145-148.

10. Хворова Л.А., Гавриловская Н.В. Проблема аналогичности и классификации метеорологических ситуаций как одна из задач теории распознавания образов // Управление корпорацией: сб. науч. статей. - Барнаул, Изд-во АлтГУ, 2007. - С. 272-278.

11. Гавриловская Н.В. Вопросы идентификации структуры и параметров модели прогноза урожайности зерновых культур // Студент и научно-технический прогресс. Математика: материалы Х1ЛЛ Международной научной студенческой конференции. - Новосибирск, 2008. -С. 126-127.

12. Хворова Л.А., Гавриловская Н.В. Построение статистической модели прогноза урожайности яровой пшеницы с помощью метода главных компонент // Известия АлтГУ. - Барнаул, 2009. - №1 (61). - С. 69-72.

13. Гавриловская Н.В. Разработка технологии оценки урожайности зерновых культур // Студент и научно-технический прогресс. Математика: материалы ХЬУ! Международной научной студенческой конференции. - Новосибирск, 2009. - С. 157-158.

14. Гавриловская Н.В. Формирование входного информационного потока для модели прогноза урожайности // МАК-2009: материалы двенадцатой региональной конференции по математике. - Барнаул, 2009. - С. 93-94.

15. Хворова Л.А., Гавриловская Н.В., Брыксин В.М. Технология прогноза урожайности зерновых культур с использованием динамических имитационных моделей продуктивности, года-аналога и данных дистанционного зондирования // АГРОИНФО-2009. Информационные технологии, системы и приборы в АПК: материалы четвертой международной научно-практической конференции. Ч. 2. - Новосибирск, 2009. С. 11-13.

16. Гавриловская Н.В. Использование математических методов для оценки рисков производства сельскохозяйственной продукции // Традиции, тенденции и перспективы в научных исследованиях: материалы IV международной студенческой научно-практической конференции. Ч. I. - Чистополь, ИНЭКА, 2009. - С. 130-132.

17. Гавриловская Н.В. Использование технологии определения года-аналога для оценки урожайности яровой пшеницы // Наука и инновации XXI века: материалы X Юбилейной окружной конференции молодых ученых. -Сургут: ИЦ СурГУ, 2010. - Т. 1. - С. 25-27.

18. Хворова Л.А., Гавриловская Н.В., ГейльА.И. Структурно-параметрическая идентификация модели продукционного процесса сельскохозяйственных культур А^оЮо1 // МАК-2010: материалы тринадцатой региональной конференции по математике. - Барнаул, 2010. - С. 114-118.

19. Гавриловская Н.В. Прогнозирование урожайности зерновых культур с использованием технологии определения года-аналога в условиях Западной Сибири // Математические модели и информационные технологии в сельскохозяйственной биологии: итоги и перспективы: материалы Всероссийской конференции (с международным участием). - СПб., 2010. - С. 100-104.

20. Гавриловская Н.В. Использование прогностических моделей и технологии определения года-аналога в информационной технологии оценки урожайности яровой пшеницы в условиях Алтайского края // Молодежь Барнаулу: материалы XI научно-практической конференции. - Барнаул, 2010. - Т. 1.-С. 379-381.

21. Гавриловская Н.В. Информационно-прогностическая система обработки и анализа агрометеорологической информации // Материалы XI Все-

российской конференции молодых ученых по математическому моделированию и информационным технологиям. — Новосибирск, 2010. —С. 50-51.

22. Хворова JI.A., Гавриловская Н.В., Гейль А.И. Информационное обеспечение и формирование базы данных для решения задачи адаптивной идентификации модели динамики почвенной влаги // Ломоносовские чтения на Алтае: сборник научных трудов межрегиональной школы-семинара. — Барнаул: АлтГПА, 2010. - ч. I. - С. 259-263.

23. Гавриловская Н.В., Ковалева Т.М. Применение математических методов для изучения и анализа сложных биологических систем // Биофизика сложных систем. Анализ и моделирование: материалы Международной школы-конференции в рамках конференции «Математика. Компьютер. Образование». - Пущино, 2011. Вып. 18. - С. 30.

24. Гавриловская Н.В. Программный комплекс обработки и прогнозирования агрометеорологических факторов // Студент и научно-технический прогресс. Информационные технологии: материалы XLIX Международной научной студенческой конференции. — Новосибирск, 2011. — С. 137.

25. Хворова Л.А., Гавриловская Н.В., Абрамова A.B., Рязанова A.A. Разработка программного комплекса обработки и прогнозирования агрометеорологических факторов // МАК—2011: материалы четырнадцатой региональной конференции по математике. — Барнаул, 2011. — С. 109-110.

26. Хворова Л.А., Гавриловская Н.В., Павлова A.B. Моделирование погодных сценариев, основанное на принципе аналогичности // МАК-2011: материалы четырнадцатой региональной конференции по математике. - Барнаул, 2011.-С. 111-113.

27. Гавриловская Н.В., Хворова Л.А. Моделирование временных рядов метеорологических параметров суточной дискретности для условий Алтайского края // Математическое моделирование в экологии: материалы Второй Национальной конференции с международным участием. - Пущино: ИФ-ХиБПП РАН, 2011. - С. 63-65.

28. Гавриловская Н.В., Хворова Л.А. Имитационно-моделирующий комплекс поэтапной оценки урожайности зерновых культур // Современные телекоммуникационные системы и компьютерные сети: перспективы развития: труды международной конференции. - СПб.: СПбГАСУ, 2011. -С. 246-249.

Подписано к печати 30.08.2011 г. Формат бумаги 60x84/16. Печать офсетная. Объем 1 печ.л. Заказ № 241. Тираж 100 экз. 656049, г. Барнаул, ул. Димитрова, 66. Типография Алтайского государственного университета

61 12-5/1833

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ «АЛТАЙСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

На правах рукописи

ГАВРИЛОВСКАЯ НАДЕЖДА ВЛАДИМИРОВНА

МЕТОДЫ, АЛГОРИТМЫ И ТЕХНОЛОГИЯ ПРОГНОЗИРОВАНИЯ АГРОМЕТЕОРОЛОГИЧЕСКИХ ФАКТОРОВ В МОДЕЛЯХ ПРОДУКТИВНОСТИ ЗЕРНОВЫХ КУЛЬТУР

05.13.18- математическое моделирование, численные методы и комплексы программ

ДИССЕРТАЦИЯ

на соискание ученой степени кандидата технических наук

Научный руководитель: к.т.н., доцент Хворова Л.А.

Барнаул-2011

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ..............................................................................................................4

ГЛАВА 1. ОСНОВНЫЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ В АГРОМЕТЕОРОЛОГИИ...................................................................................... 13

1.1. Традиционные методы составления агрометеорологических прогнозов........................................................................................................13

1.1.1. Синоптико-статистические методы...........................................17

1.1.2. Физико-статистические методы................................................. 24

1.1.3. Численные (гидродинамические) методы................................40

1.1.4. Применение принципа аналогичности......................................45

1.2. Современные подходы составления агрометеорологических прогнозов........................................................................................................50

1.2.1. Использование данных дистанционного зондирования Земли (ДЗЗ)............................................................................................51

1.2.2. Имитационно-моделирующие комплексы................................58

ГЛАВА 2. РАЗРАБОТКА ТЕХНОЛОГИИ ОПРЕДЕЛЕНИЯ ЛЕТ-АНАЛОГОВ ДЛЯ ПОЭТАПНОГО ПРОГНОЗИРОВАНИЯ УРОЖАЙНОСТИ ЗЕРНОВЫХ КУЛЬТУР........................................................................................73

2.1. Алгоритм поэтапного прогнозирования урожайности с использованием технологии лет-аналогов.................................................73

2.2. Формирование методики предварительного статистического анализа и оценки достоверности экспериментальных данных...............................80

2.3. Математическая формализация принципа аналогичности и классификации агрометеорологических факторов....................................86

2.4. Система моделирования погодных сценариев.................................,..91

ГЛАВА 3. ПРИМЕНЕНИЕ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ И ПРОГРАММНЫХ СРЕДСТВ ПРОГНОЗИРОВАНИЯ

АГРОМЕТЕОРОЛОГИЧЕСКИХ ФАКТОРОВ И ОЦЕНКИ УРОЖАЙНОСТИ ЯРОВОЙ ПШЕНИЦЫ В УСЛОВИЯХ АЛТАЙСКОГО КРАЯ.......................98

3.1. Разработка программного комплекса обработки экспериментальных агрометеорологических данных для информационного обеспечения моделей продуктивности зерновых.............................................................98

3.2. Интеграция технологии определения лет-аналогов с имитационно-моделирующими комплексами АО!ЮТООЬ и ЕРЮ..............................109

3.3. Оценка урожайности яровой пшеницы в условиях

Алтайского края...........................................................................................116

ЗАКЛЮЧЕНИЕ...................................................................................................151

БИБЛИОГРАФИЧЕСКИЙ СПИСОК...............................................................152

ПРИЛОЖЕНИЕ 1................................................................................................164

ПРИЛОЖЕНИЕ 2................................................................................................165

ВВЕДЕНИЕ

Актуальность исследования. Политика государства в последние годы направлена на подъем и стабильное функционирование сельского хозяйства и агропромышленного производства. Об этом свидетельствуют осуществление приоритетного национального проекта «Развитие агропромышленного комплекса», реализация Государственной программы развития сельского хозяйства и регулирования рынков сельскохозяйственной продукции, сырья и продовольствия на 2008-2012 гг., а также реализация проекта «Комплексное развитие Алтайского Приобья». Кроме того, сами производители сельскохозяйственной продукции и научно-исследовательские институты испытывают новые методы и технологии ведения сельскохозяйственного производства. Примером тому может служить дифференцированная технология точного земледелия, которая базируется на достижениях не только традиционных областей агрономической науки, но и других областей знаний.

Для поддержки сельскохозяйственных производителей и управления ценовыми рисками с сентября 2006 г. в России реализуется проект по организации рынка биржевых торгов зерном с использованием механизма форвардных и фьючерсных контрактов, которые заключаются, начиная с марта каждого года. В связи с этим субъектам аграрной сферы необходимо обладать аналитической информацией о складывающихся погодных условиях, их возможном воздействии на объекты сельскохозяйственного производства и ожидаемую продуктивность зерновых культур.

Сдерживающим моментом в решении этих задач является погодный фактор, компоненты которого (среднесуточные температура воздуха, скорость ветра, атмосферное давление, относительная влажность воздуха, солнечная радиация, суточная сумма осадков) могут изменяться в широком диапазоне от года к году и в течение самого периода вегетации растений. При обосновании стратегии ведения сельского хозяйства экономический эффект должен быть получен на всем множестве возможных погодных реализаций в

многолетнем разрезе. Однако на стадии планирования отсутствует необходимая информация о метеорологической ситуации последующего периода, и необходимо принимать решения, исходя из возможного спектра реализаций агрометеорологических факторов для рассматриваемой климатической зоны.

Для решения практических задач оценки урожайности в службах Росгидромета используются достаточно простые по структуре эмпирические и физико-статические модели, с помощью которых сложно учесть реальную изменчивость погодных условий и варьирующих в больших пределах других факторов формирования урожая. В настоящее время разработаны эффективные моделирующие комплексы продукционного процесса, такие как AGROTOOL (Агрофизический институт, г. Санкт-Петербург, Россия), EPIC (Soil & Water Research Laboratory, USDA-ARS), AGROSIM (Centre for Agricultural Landscape Research, Muncheberg, Germany) и другие, которые способны спрогнозировать последствия агротехнологических мероприятий, встраиваясь непосредственно в технологию принятия решений. Однако их использование сдерживается отсутствием необходимой агрометеорологической информации будущего периода.

Цель диссертационного исследования - разработка адаптивных математических моделей, алгоритмов и программ поэтапного прогнозирования агрометеорологических факторов и урожайности зерновых культур в условиях Алтайского края, основанных на принципе аналогичности.

Для достижения поставленной цели в диссертационной работе решаются следующие задачи:

1. Разработка метода прогнозирования агрометеорологических факторов с помощью технологии определения лет-аналогов.

2. Построение математической модели и алгоритма поэтапного про-

*

гнозирования урожайности яровой пшеницы на основе принципа аналогичности.

3. Формирование методики предварительного статистического анализа и оценки достоверности экспериментальных агрометеорологических данных.

4. Разработка структуры информационного обеспечения моделей продуктивности, включающего базу агрометеорологических данных, систему первичной обработки данных и интерфейс пользователя.

5. Реализация разработанной технологии в виде комплекса программных средств и апробация предложенного алгоритма для оценки урожайности в условиях Алтайского края в моделях продуктивности зерновых культур (АСТЮТООЬ и ЕРЮ).

Объектом исследования выступает система «Почва-Растение-Атмосфера», статистические закономерности и характеристики погодных явлений и процессов, влияющих на продуктивность зерновых культур.

Предмет диссертационного исследования - многомерные агрометеорологические данные, технологии вычислительных экспериментов, математические методы и модели для обработки и анализа многомерных метеорологических данных.

Методы исследования. Теоретической и методологической основой диссертационного исследования послужили труды отечественных и зарубежных ученых, посвященные обработке и анализу многомерных данных, математическому моделированию, построению математических моделей продукционного процесса сельскохозяйственных культур, численным методам и современным технологиям вычислительных экспериментов.

В ходе решения поставленных задач использовались методы и подходы математического и имитационного моделирования, системного анализа, математической статистики, теоретической и прикладной информатики.

Информационная база исследования - многолетние ежедневные метеорологические данные, агрометеорологическая информация по сезонам вегетации Агрометеорологической станции г. Барнаула (1927-2010 гг.), показатели средней урожайности яровой пшеницы АНИИСХОЗ ОПХ им. В.В. Докучаева (1961-2010 гг.); эмпирико-статистические и динамические имитационные модели продуктивности зерновых культур.

Научная новизна полученных результатов заключается в математиче-

ском обосновании технологии определения лет-аналогов для генерирования погодных сценариев с целью оценки урожайности зерновых культур. В ходе работы:

1. Разработана адаптивная математическая модель, алгоритмы и технология прогнозирования агрометеорологических факторов и оценки урожайности яровой пшеницы.

2. Определены и обоснованы методы моделирования агрометеорологических факторов в качестве входных данных имитационно-моделирующих комплексов АОКОТООЬ и ЕРЮ.

3. Разработан и апробирован программный комплекс прогнозирования агрометеорологических параметров, основанный на технологии определения лет-аналогов, для проведения расчетов по оперативной оценке урожайности зерновых культур.

Обоснованность и достоверность научных положений и выводов, содержащихся в диссертационном исследовании, обеспечивается использованием современной теории, апробированных методов и средств моделирования сложных систем, технологий вычислительных экспериментов, соответствием фактических значений агрометеорологических показателей расчетным, сравнением результатов оценки урожайности зерновых культур с фактическими данными на территории Алтайского края в период 2007-2010 гг.

Теоретическая и практическая значимость. Теоретическая значимость проведенных в диссертации исследований определяется обоснованием возможности применения принципа аналогичности к решению задач прогнозирования агрометеорологических факторов и оценке урожайности зерновых культур.

Практическая значимость состоит в разработке математической модели, алгоритмов обработки и прогнозирования агрометеорологических факторов, что будет способствовать дальнейшему развитию и применению методов математического моделирования и современных информационных технологий для установления количественных зависимостей формирования

урожая от агрометеорологических факторов, а также в области упреждающего прогнозирования урожайности зерновых культур.

Материалы исследований, представленные в диссертационной работе, могут быть использованы опытными хозяйствами, занимающимися внедрением современных информационных технологий; научными учреждениями сельскохозяйственного профиля для проведения теоретических и прикладных исследований; высшими учебными заведениями для обучения студентов и аспирантов по современным проблемам математического моделирования.

Основные положения, выносимые на защиту:

1. Математическая формализация принципа аналогичности и алгоритм формирования сценариев агрометеорологических параметров текущего года на основе погодных реализаций лет-аналогов.

2. Комплекс инструментальных программных средств обработки экспериментальных агрометеорологических данных для информационного обеспечения моделей продуктивности зерновых культур.

3. Результаты совместного применения технологии определения лет-аналогов и имитационно-моделирующих комплексов АОЯОТООЬ и ЕРЮ для оценки урожайности зерновых культур в условиях Алтайского края.

Апробация результатов исследования. Основные теоретические и практические результаты работы представлены автором на следующих научных конференциях, семинарах и научных школах:

Международные: Международная научная студенческая конференция «Студент и научно-технический прогресс» (Новосибирск, 2007-2009, 2011); Международная научно-практическая конференция «Информационные технологии, системы и приборы в АПК: «АГРОИНФО-2009» (Новосибирск, 2009); IV Международная студенческая научно-практическая конференция «Традиции, тенденции и перспективы в научных исследованиях» (Чистополь, 2009); Международная конференция «Математика. Компьютер. Образование» (Пущино, 2011), Международная научно-практическая конферен-

ция «Телекоммуникационные системы и компьютерные сети: перспективы развития» (Санкт-Петербург, 2011).

Всероссийские: Всероссийская научно-техническая конференция «Интеллектуальный потенциал ученых России» (Барнаул, 2008); IX Всероссийский симпозиум по прикладной и промышленной математике (весенняя сессия, Кисловодск, 2008); X Всероссийский симпозиум по прикладной и промышленной математике (весенняя сессия, Санкт-Петербург, 2009); Всероссийская конференция (с международным участием) «Математические модели и информационные технологии в сельскохозяйственной биологии: итоги и перспективы» (Санкт-Петербург, 2010); XI Всероссийская конференция молодых ученых по математическому моделированию и информационным технологиям (Красноярск, 2010), Вторая Национальная конференция с международным участием «Математическое моделирование в экологии» (Пущино, 2011).

Межрегиональные и региональные: ежегодная студенческая конференция, проводимая в рамках дней молодежной науки в Алтайском государственном университете (Барнаул, 2004-2009); региональная (краевая) конференция по математике МАК (Барнаул, 2007-2011); городская научно-практическая конференция молодых ученых «Молодежь - Барнаулу» (Барнаул, 2006, 2009); региональная конференция «Математическое образование на Алтае» (Барнаул, 2006); юбилейная окружная конференция молодых ученых «Наука и инновации XXI века» (Сургут, 2010); городской семинар «Задачи прикладной и индустриальной математики» (Барнаул, 2010); межрегиональная школа-семинар «Ломоносовские чтения на Алтае» (Барнаул, 2010).

Личный вклад автора состоит:

- в разработке алгоритма и технологии прогнозирования агрометеорологических факторов, основанной на принципе аналогичности;

- в компьютерной реализации программного комплекса прогнозирования агрометеорологических параметров;

- в проведении вычислительных экспериментов и обобщении получен-

ных результатов.

Реализация и внедрение результатов работы. Основные результаты получены и реализованы в соответствии с заданием ведомственно-аналитической программой «Развитие научного потенциала Высшей школы 2009-2011» №2.2.2.4/4278.

Материалы, основные положения и результаты диссертационной работы используются в учебном процессе кафедры теоретической кибернетики и прикладной математики математического факультета Алтайского государственного университета.

Результаты диссертационного исследования по прогнозированию агрометеорологических факторов и урожайности яровой пшеницы переданы для использования в Алтайский центр по гидрометеорологии и мониторингу окружающей среды, что подтверждается соответствующей справкой (Приложение 2).

Публикации. По теме диссертационной работы автором опубликовано 38 работ, в том числе 6 статей в ведущих реферируемых научных журналах, рекомендованных ВАК для публикации результатов диссертационных работ.

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, 2 приложений и списка используемых источников и литературы (184 наименования). Основной материал изложен на 163 страницах, включая 22 таблицы, 45 рисунков.

КРАТКОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

В первой главе «Основные методы прогнозирования в агрометеорологии» приведен обзор и анализ основных подходов в прогнозировании агрометеорологических факторов, рассмотрены традиционные и современные методы прогноза в агрометеорологии.

К числу наиболее известных методов и "подходов к решению проблемы составления агрометеорологических прогнозов относятся синоптико-статистические методы, физико-статистические методы, численные методы и принцип аналогичности.

Современный уровень развития компьютерной техники и программного обеспечения создали предпосылки для нового подхода, основанного на использовании данных дистанционного зондирования Земли и имитационно-моделирующих комплексов.

В заключении первой главе диссертации представлены выводы о преимуществах и недостатках рассмотренных методов составления агрометеорологических прогнозов и о возможности их практического использования. В качестве перспективного метода обосновывается моделирование погодных сценариев, основанное на при�