Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, 2004, №7

УДК 51-76  

 

ПОСТАНОВКА ЗАДАЧИ ПРОГНОЗИРОВАНИЯ 

ПРОДУКТИВНОСТИ АГРОЭКОСИСТЕМ 

 

Кольцов Ю.В. – к. ф.-м. наук, доцент 

Пермяков М.Н. – аспирант 

Кубанский Государственный Университет 

 

В 
статье 
предложена 
модульная 
нейросетевая 
модель 
прогнозирования 

продуктивности 
агроэкосистем. 
Представлена 
иерархическая 
декомпозиция 

предметной области и исследовано ее влияние на параметры прогноза. 

 

В последнее время все чаще возникают трудноформализуемые задачи, 

то есть такие, для которых алгоритм решения либо не является 

единственным, либо не позволяет оценить качество или достижимость 

решения. Одной из таких задач является прогнозирование продуктивности 

агроэкосистем. В основном [2, 3] для ее решения используются линейные 

модели, что сказывается на точности прогнозирующих функций. 

 В качестве одного из механизмов нелинейного моделирования 

сложных задач были предложены нейронные сети [1]. Искусственная 

нейронная сеть – это набор математических нейронов, соединенных между 

собой. Как правило, передаточные функции всех нейронов в сети 

фиксированы, а веса являются параметрами сети и могут изменяться. 

Некоторые входы нейронов помечены как внешние входы сети, а 

некоторые выходы – как внешние выходы сети. Подавая любые числа на 

входы сети, мы получаем какой-то набор чисел на выходах сети. Таким 

образом, работа нейросети состоит в преобразовании входного вектора в 

выходной вектор, причем это преобразование задается весами сети. В 

данной работе используются многослойные искусственные нейронные 

сети с последовательными связями, обучение которых велось с помощью 

алгоритма обратного распространения ошибки. В качестве передаточной 

была использована логистическая функция [1]. 

При анализе работ [2, 3, 4, 5] были выделены параметры, 

описывающие продуктивность, которые можно отнести к следующим 

классам: 

• 
Почва 

• 
Гидротермические условия 

• 
Данные об исследуемой культуре 

В результате численных экспериментов были обнаружены следующие 

недостатки модели:  

1. 
Структуру сети и ее обучение необходимо проводить под 

каждую конкретную культуру. 

2. 
В 
связи 
с 
большим 
количеством 
параметров 
и 

полносвязанностью сети, задача имеет высокую вычислительную 

мощность. 

3. 
Сложность 
решения 
обратной 
задачи 
(по 
заданной 

продуктивности определить возможные значения параметров). 

4. 
Добавление в модель новых параметров требует как минимум 

переобучения всей нейронной сети. 

Для устранения перечисленных недостатков введем модульную 

структуру нейронной сети. Модульной нейронной сетью назовем 

совокупность нейронных сетей, входы которых являются либо входами 

системы, либо выходами других сетей, а выходы – либо выходами 

системы, либо входами других сетей. 

Модульность нейронной сети позволяет выполнить иерархическую 

декомпозицию сложной задачи в ряд более простых подзадач, а 

соответствующая структура сети может быть оптимизирована под 

конкретную задачу. 

Для разграничения множества параметров воспользуемся уже 

выделенными классами. Тогда общую схему модели можно представить 

так (см. рис.): 

 

 

 

 

 

 

 

 

Общая схема модели 

 

Построенным 
модулям 
можно 
дать 
следующие 
краткие 

характеристики: 

1. 
Модуль 
"Почва" 
позволяет 
численно 
оценить 
показатель 

плодородия 
через 
доступные 
физико-химические 
параметры, 

характеризующие почву. Опираясь на современные взгляды по данному 

вопросу [2, 3], входными параметрами считаем: 

- запасы гумуса; 

- запасы основных элементов минерального питания (фосфор, азот, 

калий); 

- кислотность почвы. 

Выход модуля будем интерпретировать как индекс потенциального 

плодородия почвы. 

2. 
Модуль "Климат" оценивает гидротермические условия. В 

качестве входных параметров возьмем следующие среднемесячные 

значения за предыдущие 10 месяцев [2]: 

- количество осадков в миллиметрах; 

Почва 

Климат 

Связь 

Продуктивность

Данные о 
культуре 

- 
данные о температуре. 

3. 
Модуль "Связь" при прогнозировании продуктивности выступает 

в качестве интерпретатора гидротермических и почвенных условий для 

конкретной культуры. Его входами являются: 

- выходы модуля "Почва"; 

- выходы модуля "Климат"; 

- параметры исследуемой культуры.  

Преимущества предложенной модели заключаются в следующем: 

1. Результаты работы модулей "Почва" и "Климат" не зависят от 

конкретной культуры. Следовательно, их модели могут усложняться и 

уточняться без перестройки всей сети. 

2. Выходы модулей "Почва" и "Климат" допускают интерпретацию [3]  

практиками, что повышает доступность модели. 

3. Модуль "Связь" разрабатывается под конкретную культуру с учетом 

особенностей роста и развития. 

4. При сохранении размерности задачи значительно упрощается ее 

вычисление. 

5. Модель может быть легко расширена дополнительными модулями 

(например, история полей и экономические факторы) без ее полной 

перестройки. 

 

Список литературы 

1. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. – М.: Вега, 2001. 

2. Ковалев В.М. Теория урожая. – M.: MCXA, 1997. 

3. Хомяков П.М., Иванов В.Д. Геоэкологическое моделирование. – М.: УРСС, 2002. 

4. Константинов А.Р. Погода, почва и урожай озимой пшеницы. – Л.: Гидрометиздат, 

1978. 

5. Кулаковская Т.Н. Оптимизация агрохимической системы почвенного питания 

растений. – M.: Агропромиздат, 1990. 

УДК 574.5+578.087.1+51.001.572 
 
ИССЛЕДОВАНИЕ СЕМАНТИЧЕСКОЙ ИНФОРМАЦИОННОЙ 
МОДЕЛИ УПРАВЛЕНИЯ КАЧЕСТВОМ ГРУНТОВЫХ ВОД  
НА РИСОВЫХ ОРОСИТЕЛЬНЫХ СИСТЕМАХ 
 
Сафронова Т.И. – к. т. н., доцент 
Луценко Е.В. – д. э. н., к. т. н., профессор 
Кубанский государственный аграрный университет 
 
В статье описывается порядок исследования семантической информационной модели, предлагается решение задач идентификации и прогнозирования, проводится исследование системы детерминации состояний и функций влияния факторов, системнокогнитивный анализ модели. 
 
 
1. Порядок исследования семантической информационной 
модели 
Анализ семантической информационной модели включает [1]: 
1. Решение задач идентификации и прогнозирования. 
2. Исследование системы детерминации состояний и функций влияния факторов: 
– детерминация минерализации и уровня грунтовых вод (УГВ) различными подсистемами факторов; 
– информационные портреты факторов; 
– функции влияния. 
3. Системно-когнитивный анализ модели: 
– кластерно-конструктивный анализ классов и факторов и семантические сети классов и факторов;  
– когнитивные диаграммы классов и факторов; 
– нелокальные нейроны и интерпретируемые нейронные сети. Нейросетевая модель управления минерализацией и УГВ; 
– классические когнитивные карты; 
– обобщенные когнитивные карты. 
2. Решение задач идентификации и прогнозирования 
Математически эти задачи не отличаются, и разница между ними 
лишь в том, что при идентификации признаки и состояния объекта относятся к одному моменту времени, при прогнозировании признаки (факторы) относятся к прошлому, а состояния объекта – к будущему. 
Идентификация и прогнозирование осуществляются в 4-й подсистеме 
"Эйдос". При этом описания объектов должны быть в распознаваемой выборке.  
Если мы исследуем объекты обучающей выборки, то их описания могут быть скопированы в распознаваемую непосредственно из режима вво

да обучающей информации по нажатию клавиши F5 в 1-м режиме 2-й подсистемы. Если же исследуются новые объекты, по которым еще нет верифицированной информации, то их описания могут быть непосредственно 
введены в распознаваемую выборку. 
На рисунке 1 приведены результаты идентификации ситуации, складывающейся в 1983 году, а на рисунке 2 – годы, в которые сложилась ситуация, детерминирующая заданный класс. 
 

Рисунок 1 – Идентификация (прогноз) ситуации с уровнем минерализации, УГВ и 
урожайностью риса на 1983 год 
 
 

Рисунок 2 – Годы, в которые складывались условия, детерминирующие ситуацию, 
соответствующую классу с кодом 1 
 
Видно, что этот режим позволяет количественно сравнивать годы друг 
с другом и с классами, характеризующими различные уровни минерализации, УГВ и урожаи риса. 
3. Исследование системы детерминации состояний и 
функций влияния факторов 
3.1. Определения основных понятий 
В 1-м режиме 5-й подсистемы "Эйдос" обеспечивается генерация информационных портретов классов, а во 2-м – факторов. При этом результаты могут выдаваться в виде текстовых выходных форм, а также в графической форме круговых диаграмм и функций влияния. 
Информационный портрет класса – это список факторов, ранжированных в порядке убывания силы их влияния на переход объекта управления в состояние, соответствующее данному классу.  
Информационный портрет класса отражает систему его детерминации. Генерация информационного портрета класса представляет собой решение обратной задачи прогнозирования, т.к. при прогнозировании по 
системе факторов определяется спектр наиболее вероятных будущих состояний объекта управления, в которые он может перейти под влиянием 
данной системы факторов, а в информационном портрете наоборот, по заданному будущему состоянию объекта управления определяется система 
факторов, детерминирующих это состояние, т.е. вызывающих переход 
объекта управления в это состояние. В начале информационного портрета 
класса идут факторы, оказывающие положительное влияние на переход 
объекта управления в заданное состояние, затем факторы, не оказывающие 
на это существенного влияния, и далее – факторы, препятствующие переходу объекта управления в это состояние (в порядке возрастания силы 
препятствования). Информационные портреты классов могут быть отфильтрованы по диапазону факторов, т.е. имеется возможность отображения влияния на переход объекта управления в данное состояние не всех 
отраженных в модели факторов, а только тех, коды которых попадают в 
определенный диапазон, например, относящиеся к определенным описательным шкалам. 
Информационный (семантический) портрет фактора – это список классов, ранжированный в порядке убывания силы влияния данного 
фактора на переход объекта управления в состояния, соответствующие 
данным классам. 
Информационный портрет фактора называется также его семантическим портретом, т.к. в соответствии с концепцией смысла системнокогнитивного анализа, являющейся обобщением концепции смысла Шенка-Абельсона, смысл фактора состоит в том, какие будущие состоя

ния объекта управления он детерминирует и в какой степени, а каким 
препятствует [6]. 
Сначала в этом списке идут состояния объекта управления, на переход 
в которые данный фактор оказывает наибольшее влияние, затем состояния, 
на которые данный фактор не оказывает существенного влияния, и далее – 
состояния, переходу в которые данный фактор препятствует. 
Информационные портреты факторов могут быть отфильтрованы по 
диапазону классов, т.е. возможно отобразить влияние данного фактора на 
переход объекта управления не во все возможные будущие состояния, а 
только в состояния, коды которых попадают в определенный диапазон, например, относящиеся к определенным классификационным шкалам. 
Если взять несколько информационных портретов факторов, соответствующих градациям одной описательной шкалы, отфильтровать их по 
диапазону градаций некоторой классификационной шкалы и взять из каждого информационного портрета по одному состоянию, на переход в которое объекта управления данная градация фактора оказывает наибольшее 
влияние, то мы получим зависимость, отражающую вероятность перехода 
объекта управления в будущие состояния под влиянием различных значений некоторого фактора. 
Функция влияния представляет собой график зависимости вероятностей перехода объекта управления в будущие состояния под влиянием 
различных значений некоторого фактора. 
Функции влияния являются наиболее развитым средством изучения 
причинно-следственных зависимостей в моделируемой предметной области, которое предоставляется системой "Эйдос". Необходимо отметить, что 
на вид функций влияния математической моделью СК-анализа не накладывается никаких ограничений, в частности, они могут быть и нелинейные. 
Смысл функций влияния можно прояснить, если представить себе 
очень упрощенный случай, когда есть всего две описательных шкалы, 
формализующие факторы, и одна классификационная, формализующая состояния объекта управления. В этом случае функции влияния являются пересечениями поверхности двухмерного графика, отражающего зависимость состояний объекта от факторов, с плоскостью, параллельной классификационной шкале и одной из описательных шкал. Этот же смысл сохраняется у функций влияния и тогда, когда классификационных и описательных шкал много, но наглядно представить себе это более сложно. 
3.2. Детерминация минерализации и УГВ различными подсистемами факторов  
Рассмотрим классификацию информационных портретов, которые позволяет генерировать многоуровневая семантическая информационная модель. В работе [3] сконструированы классификационные и описательные 
шкалы и градации. 

Система "Эйдос" позволяет сгенерировать и отобразить в текстовой и 
графической формах информационный портрет любого класса с фильтрацией по любому диапазону признаков, соответствующих определенной 
описательной шкале или группе шкал. Для управления генерацией информационных портретов в системе "Эйдос" имеется режим, обеспечивающий 
удобное полуавтоматическое задание параметров портретов, т.е. диапазонов классов и факторов. В соответствии с задачей, поставленной в данной 
работе, сконструируем задание на генерацию информационных портретов, 
отражающее влияние на уровни минерализации, УГВ и урожаи риса следующих укрупненных групп факторов (табл. 1): 
1. Метеофакторы:  
– описательные шкалы с кодами 
  1–10, коды градаций     1–70. 
2. Технологические факторы:  
– описательные шкалы с кодами  13–22, коды градаций    85–154; 
–  
 
 
 
 
 
29–76, 
 
 
197–532; 
– 
 
 
 
 
 
77–88, 
 
 
533–616. 
 
Таблица 1 – Задание на генерацию  
информационных портретов классов 
Классы 
Факторы 

№ 
Начальный

код 
Конечный 
код 
Начальный

код 
Конечный 
код 

1 
1 
56 
1 
70 

2 
1 
56 
85 
154 

3 
1 
56 
197 
532 

4 
1 
56 
533 
616 

5 
50 
56 
1 
616 

 
В результате выполнения первых четырех заданий сгенерировано 224 
информационных портрета, отражающих влияние перечисленных групп 
факторов на переход объекта управления в будущие состояния, представленные 56 классами. В совокупности эти портреты детально отражают систему детерминации всех представленных в модели состояний поливной системы и могут быть использованы для поддержки принятия 
решений по выбору управляющих факторов. Однако в связи с ограниченностью объема данной работы привести их нет возможности. Отметим 
лишь, что из этих информационных портретов следует, что высокий урожай риса во многом обусловлен большими среднемесячными расходами 
воды в канале СМС-1 с апреля по ноябрь и средними объемами подачи повторных вод. 
В этих информационных портретах представлены лишь факторы, оказывающие существенное влияние на урожаи риса. Подробный анализ информационных портретов классов выходит за рамки данной работы, в которой мы стремились продемонстрировать лишь принципиальную возможность применения методологии и технологии системно-когнитивного 

анализа для управления оросительной системой с целью получения максимальных урожаев риса наивысшего качества. 
3.3. Информационные портреты факторов 
Информационные портреты факторов в СК-анализе называются также 
семантическими портретами факторов, т.к. они раскрывают смысл фактора, который в соответствии с концепцией смысла Шенка-Абельсона, 
развитой в СК-анализе [4] состоит в том, какие состояния объекта управления данный фактор обуславливает, т.е. детерминирует. 
Рассмотрим интерпретацию первых десяти информационных портретов  факторов, оказывающих наиболее сильное влияние на состояние оросительной системы и урожайность риса. Эти факторы расположены в самом начале таблицы 2.  
 
Таблица 2 – Градации факторов, оказывающие наибольшее влияние  
на поведение оросительной системы (фрагмент) 

Код 
Среднее кол-во 
информации 
№ 
Шк град

Наименование описательной шкалы и градации 
в град. Нараст.

итог  %

1
22
154 Сброс с рисовых площадей за пределы системы (тыс.куб.м)  :  факт. -{57.44, 60.90} 
  0.521   0.363 

2
33
229 Среднемесячные расходы воды канала СМС : I (м.куб/с)  :  V. -{9.74, 11.60}. 
  0.521   0.726 

3
78
544 Площади к : за "Родина" с недопустимым засолением (га). -{825.57, 1018.71}. 
  0.521   1.089 

4
81
567 Площади ПАОС с недопустимым засолением (га) -{2546.29, 2802.00} 
  0.521   1.452 

5
82
571 Площади ПАОС с недопустимыми УГВ и засолением (га). -{162.29, 208.71} 
  0.521   1.815 

6
16
110 Подача воды на орошение (млн.м.куб)  :  факт. -{71.18, 74.69} 
  0.479   2.149 

7
4
23 Ср.мес. t возд. (°С) за вегетацию по Славянской метеостанции  :  V -{20.36, 21.01} 
  0.478   2.482 

8
80
559 Площади ПАОС с недопустимым УГВ (га). -{2909.86, 3231.43} 
  0.477   2.814 

9
57
397 Среднемесячные расходы воды канала СМС : II (м.куб/с)  :  V -{6.74, 8.25} 
  0.472   3.143 

10
86
597 Внутрихозяйственная сеть оросительных каналов (км). -{1379.16, 1389.81} 
  0.461   3.465 

 
В 1-м режиме 5-й подсистемы "Эйдос" можно сгенерировать информационные портреты любых факторов (табл. 3). 
 
Таблица 3 – Информационный портрет фактора:  
Сброс с рисовых площадей за пределы системы (тыс.куб.м):  
факт-{57.44, 60.90} (шкала 22, градация 154) 
Фильтр: All, Positive 
================================================================================================== 
| N |Код |                   Н а и м е н о в а н и я                       |Инфор-|Инфор-|Суммар | 
|п/п|кл. |          к л а с с о в   р а с п о з н а в а н и я              |мат-ть|мат-ть|инф-ть | 
|   |    |                                                                 | Бит. |  %   |  %%   | 
|================================================================================================| 
|  1    9 Пл.орош.зем. (га) с УГВ 1.0  :  1.5 (м)-{313.71, 502.43}.........  2.014  34.69   34.7 | 
|  2   30 Пл.орош.зем. (га) с УГВ 3.0  :  5.0 (м)-{291.71, 353.43}.........  2.014  34.69   69.4 | 
|  3   15 Пл.орош.зем. (га) с УГВ 1.5  :  2.0 (м)-{25.00, 652.86}..........  1.411  24.30   93.7 | 
|  4   28 Пл.орош.зем. (га) с УГВ 2.0  :  3.0 (м)-{4172.00, 4859.00}.......  1.411  24.30  118.0 | 
|  5   37 Пл.орош.зем. (га) с минерализацией гр.вод 1.0  :-{571.00, 995.00}  1.411  24.30  142.3 | 
|  6   48 Пл.орош.зем. (га) с минерализацией гр.вод > 3.-{4586.43, 5079.71}  1.411  24.30  166.6 | 
|  7   52 Урожайность риса по АО "Черноерковское" (ц/га)-{38.34, 41.21}....  0.918  15.80  182.4 | 
================================================================================================== 
Универсальная когнитивная аналитическая система                                        НПП *ЭЙДОС* 
 
Способ интерпретации информационного портрета состоит в том, 
что, используя справочники классификационных и описательных шкал