Бесплатный автореферат и диссертация по сельскому хозяйству на тему

Разработка и применение системы поливариантного анализа динамических моделей продукционного процесса культурных растений

ВАК РФ 06.01.03, Агропочвоведение и агрофизика

Автореферат диссертации по теме "Разработка и применение системы поливариантного анализа динамических моделей продукционного процесса культурных растений"

На пранах рукописи

Медведев Сергей Алексеевич

РАЗРАБОТКА И ПРИМЕНЕНИЕ СИСТЕМЫ ПОЛИВАРИАНТНОГО АНАЛИЗА ДИНАМИЧЕСКИХ МОДЕЛЕЙ ПРОДУКЦИОННОГО ПРОЦЕССА КУЛЬТУРНЫХ РАСТЕНИЙ

Специальность 06.01.03 - Агрофизика

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата сельскохозяйственных наук

15 НАЛ 2014

Санкт-Петербург - 2014

005547920

Работа выполнена в Государственном научном учреждении Агрофизический научно-исследовательский институт Россельхозакадемии

Научный руководитель: Официальные оппоненты:

Ведущая организация:

доктор технических наук, Топаж Александр Григорьевич Иванов Дмитрий Анатольевич, доктор сельскохозяйственных наук, профессор, член-корреспондент РАН, заведующий отделом Всероссийского НИИ сельскохозяйственного использования мелиорированных земель

Иванов Тимофей Сергеевич, кандидат технических наук, заведующий отделом "Геоинформационные системы и технологии" Всероссийского НИИ гидротехники им. Б. Е. Веденеева

Институт физико-химических и биологических проблем почвоведения РАН

Защита состоится «28» мая 2014 года в 11 ч. 00 мин, на заседании диссертационного совета Д 006.001.01 при ГНУ Агрофизический научно-исследовательский институт Россельхозакадемии по адресу: 195220. г. Санкт-Петербург, Гражданский проспект, д.14.

С диссертацией можно ознакомиться в библиотеке Агрофизического научно-исследовательского института и на сайте www.agrophys.ru.

Автореферат разослан «. _ 2014 года.

Отзывы на автореферат в двух экземплярах, заверенных печатью, просим направлять по адресу: 195220, г. Санкт-Петербург, Гражданский проспект, д. 14, ГНУ АФИ Россельхозакадемии.

Ученый секретарь диссертационного совета,

доктор биологических наук /Г- //^Х^и^ _Е. В. Канаш

Общая характеристика работы.

Актуальность проблемы. Важным инструментом при внедрении современных наукоемких технологий в традиционную практику растениеводства выступают прикладные динамические модели продукционного процесса сельскохозяйственных растений. Особенно значимой становится их роль в качестве интеллектуального ядра компьютерных систем поддержки агротехнологических решений в рамках новых перспективных трендов развития сельскохозяйственной отрасли - устойчивого и точного земледелия. Динамическая модель агроэкосистемы представляет собой алгоритм, позволяющий по исходным данным о внешних факторах (погода и агротехника) рассчитать динамику сельскохозяйственного посева в течение всего сезона вегетации - от сева до уборки - и интерпретировать полученные результаты в терминах содержательных показателей - урожая, сроков наступления фенофаз и других индикаторов роста и развития растений. Использование модельных расчетов (мониторинг поведения растения под воздействием тех или иных управляющих воздействий в компьютерном эксперименте) позволяет существенно упростить анализ множества альтернативных решений и выбор оптимальных агротехнологий по сравнению с традиционным подходом, основанном на многолетних полевых опытах.

При этом типичный прецедент использования модели в любой системе поддержки решений чаще всего предполагает не единичный, а множественный расчет одной и той же модели с разными наборами входных параметров с целью анализа и сравнения получаемых результатов. Можно перечислить несколько проблем или практических задач, приводящих к необходимости многократного расчета с указанием источника вариантности входных данных для каждой из них (таблица 1).

Таблица 1. Задачи, требующие поливариантного расчёта динамической модели агроэкосистемы.__

Задача Источник вариантности данных

1. Параметрическая идентификация модели Перебираемые значения параметров

2. Оперативный прогноз урожайности в течение сезона вегетации Сценарии погоды

3. Поиск оптимальных агротехнологических решений Разные варианты технологий (сроки и нормы технологических воздействий)

4. Исследование влияния климатических изменений на агроэкосистему Синтетические сценарии погоды для будущего климата

5. Точное земледелие Пространственная неоднородность посева и почвенного покрова.

Более того, поскольку операции, требующие организации вычислительных экспериментов, для разных моделей являются типовыми, крайне привлекательной выглядит создание среды выполнения произвольных динамических моделей, удовлетворяющих определённым соглашениям. Все операции, связанные с поливариантным расчётом, могут быть реализованы на уровне среды и абстрагированы от конкретной реализации модели продукционного процесса.

В мировой практике существует три основных подхода к созданию подобных систем.

• Системы поливариантного расчёта - среды исполнения моделей продукционного процесса, позволяющие производить многократный запуск моделей с разными входными данными в пакетном режиме.

• Универсальные оболочки для моделей продукционного процесса -среды исполнения, позволяющие подключать к ним произвольные модели и предоставляющие к ним типовой пользовательский интерфейс.

• Среды структурной идентификации моделей - программные продукты, позволяющие пользователю конструировать модели из готовых модулей.

Система, разработанная в рамках аннотируемой работы, относится к двум первым перечисленным направлениям.

Цель работы: создание многофункциональной среды поливариантного анализа динамических моделей продукционного процесса сельскохозяйственных растений как инструмента теоретических исследований в агроэкологии и поддержки принятия решений в растениеводстве. К числу основных задач работы относятся:

• Разработка и апробация единой методики планирования и проведения многофакторных компьютерных экспериментов с произвольными динамическими моделями агроэкосистемы.

• Реализация компьютерной системы поливариантного анализа динамических моделей продукционного процесса сельскохозяйственных культур.

• Проведение исследований с использованием разработанной системы для решения ряда типовых задач теоретической и практической направленности.

Методика исследований. В проведенных исследованиях использованы методы математического моделирования, теоретической и прикладной информатики, планирования экспериментов, организации и ведения баз данных. Реализация системы поливариантных расчетов осуществлена с использованием визуального проектирования и современных методологий к разработке программного обеспечения: компонентно-ориентированного подхода, инверсий управления и внедрения зависимостей.

Научная новизна работы состоит в том, что впервые предложена концепция информационной системы, в полной мере реализующая два функциональных требования, предъявляемых к средам имитационного моделирования общего назначения: обеспечение поливариантного расчёта и наличие универсальной оболочки для подключения произвольных моделей. В ходе разработки системы был впервые применен оригинальный подход к хранению в единой реляционной структуре данных, относящихся к информационным доменам разного уровня абстракции.

Основные положения, представляемые к защите.

• Вычислительный компьютерный эксперимент с динамической моделью продуктивности является эффективной заменой полевого опыта, и к нему могут и должны быть применены специально адаптированные методики планирования, проведения и анализа результатов, использующиеся в теории опытного дела.

• Разработанная универсальная среда поливариантного анализа компьютерных моделей продукционного процесса представляет собой мощный и удобный инструмент организации многофакторных компьютерных экспериментов.

• Многочисленные приложения созданного программного продукта в качестве инструмента решения типовых задач однозначно свидетельствуют о его полезности и востребованности как в научных исследованиях, так и в практике сельскохозяйственного производства.

Теоретическая значимость работы заключается в разработке концептуального подхода к способу работы с базами данных, структуру которых в определённых пределах может менять пользователь, решение задач организации данных в системе имитационного моделирования, позволяющее ограниченным набором инструментов решать широкий круг задач.

Практическая значимость работы заключается в создании компьютерной информационной системы поливариантного расчёта и организации многофакторного компьютерного эксперимента с динамическими моделями агроэкосистемы и ее использовании для решения разнообразных задач агрономической направленности: анализ и оптимизация агротехнологий, динамический прогноз темпов развития и продуктивности сельскохозяйственных посевов, выделение единиц управления в точном земледелии.

Личный вклад автора. Проектирование архитектуры и программная реализация компьютерной системы поливариантного анализа APEX были выполнены в полном объеме лично автором настоящей работы. Компьютерные эксперименты с использованием разработанной системы для решения описанных задач теоретической и прикладной направленности осуществлялись при непосредственном участии соискателя; при этом степень вовлеченности автора в планирование, проведение и обработку результатов компьютерных экспериментов составляла от 60 до 80 процентов.

Апробация работы. Результаты по основным этапам работы докладывались на семинарах отдела моделирования отдела моделирования адаптивных

агротехнологий АФИ и на семинаре Института Прикладных Математических Исследований (Петрозаводск), научных сессиях Агрофизического НИИ; доклады по тематике работы представлялись автором на российских и международных конференциях:

Всероссийская конференция (с международным участием) "Математические модели и информационные технологии в сельскохозяйственной биологии: итоги и перспективы", 14-15 октября 2010 г., Санкт-Петербург, АФИ; Международный симпозиум по компьютерным системам в науках об окружающей среде ISESS-2011, 27-29 июня, Брно, Чехия; Всероссийская конференция (с международным участием) "Методы оценки сельскохозяйственных рисков и технологии смягчения последствий изменения климата в земледелии", 13-14 октября 2011 г., Санкт-Петербург, АФИ; Международная конференция "Современные проблемы математики, информатики и биоинформатики", посвященная 100-летию со дня рождения А. А. Ляпунова, 11-14 октября 2011 г., Новосибирск, НГУ; Международная школа-семинар «Фундаментальные и прикладные исследования в математической экологии и агроэкологии»:, 22-24 июня 2012 года, Барнаул, АГУ; 4-ое ежегодное рабочее совещание международного проекта AgMIP «Agriculture Model Improvement and Intercomparison», 28-30 октября, Колумбийский Университет, Нью-Йорк, США.

Созданный автором программный комплекс APEX для автоматизации многофакторных вычислительных экспериментов с динамическими моделями агроэкосистем зарегистрирован в Государственном реестре программ для ЭВМ, о чем получено свидетельство за номером 2014612173 от 20 февраля 2014 г.

Структура и объём диссертации. Работа состоит из введения, 5 глав, заключения, списка литературы (171 источник, в том числе 61 иностранный). Диссертация изложена на 161 странице, иллюстрирована 31 рисунком и 11 таблицами.

Содержание работы.

В первой главе рассматривается методология построения динамических моделей продукционного процесса, а также проведен анализ существующих решений, направленных на автоматизацию компьютерных экспериментов с этими моделями. Детально рассмотрен механизм взаимодействия модели с данными на примере модели АСТЮТООЬ, с которой будет осуществляться работа. Подробно рассматриваются такие продукты, как СШСБ, 088АТ, DI.ES и ОрепМ1 в разрезе трёх основных направлений разработки сред имитационного моделирования.

Таблица 2. Сравнительная характеристика существующих сред имитационного моделирования в агроэкологии._

Система / технология Поддержка поливариантности Поддержка полимодельности

СШСБ Слабая, без возможности анализа Хорошая

088АТ Средняя, только для типовых задач. Средняя, требует участия разработчиков ЭБЗАТ

ОрепМ1 Отсутствует Накладывает жёсткие ограничения на модель, невозможно работать со старыми моделями

ОЬЕ8 Запланирована, в текущей версии - отсутствует Хорошая

Очевидно, что ни в одной рассмотренной системе в полной мере не реализован механизм поливариантного анализа, то есть возможность планирования и проведения произвольных вычислительных компьютерных экспериментов. Сочетание полноценного поливариантного расчёта с полимодельностью выступает основной идеей разработанной системы.

Во второй главе рассматриваются теоретические основы поливариантного расчета, и ставится техническое задание на разработку системы.

Любая динамическая модель агроэкосистемы формально описывается в виде универсальной формулы:

х(к+\)=Лх{к), уф), и{к), а); х(0)=х0 ¿=0,1,2,.. .,Т,

где к - временной шаг модели, х(к), х(к+1) - вектор переменных состояния модели в два смежных момента времени; и'(к) - вектор неконтролируемых внешних воздействий; и(к) - вектор контролируемых внешних воздействий; а -вектор параметров модели; Т- время окончания процесса моделирования.

Таким образом, результаты работы любой динамической модели можно представить в виде двумерной таблицы, каждая строка которой соответствует временному шагу, а столбцы - компонентам вектора переменных состояния.

С другой стороны, все входные данные модели - характеристики начального состояния, вектора контролируемых и неконтролируемых внешних воздействий, а также внутренние параметры модели - тоже допускают табличное представление. В работе подробно рассматривается теоретические аспекты приведения к табличной форме различных информационных структур - констант, изоплет, деревьев и произвольных графов, и делается вывод, что в рамках системы поливариантного анализа можно считать, что все входные данные для одного прогона модели, в общем случае представимы в виде множества реляционно-связанных двумерных таблиц.

Для обеспечения поливариантности рассматривается структура типового эксперимента. Последовательность действий экспериментатора условно можно разбить на три этапа:

1. формирование условий проведения эксперимента (препроцессинг);

2. реализация эксперимента, сопровождающаяся измерениями и фиксацией характеристик объекта моделирования (агроэкосистемы);

3. обработка полученных данных и анализ результатов (постпроцессинг).

Если на результаты эксперимента оказывают влияние случайные события той или иной вероятностной природы, то этот эксперимент называется статистическим. Традиционным инструментом обработки результатов статистического эксперимента выступает факторный анализ. Под фактором понимается независимая переменная, которая при проведении эксперимента варьируется целенаправленно.

Ключевой проблемой при разработке системы поливариантного анализа является ограничение мерности факторного пространства. Каждую ячейку в таблицах входных данных можно считать потенциально варьируемым фактором, и поскольку входных данных в таблицах может быть достаточно много, потенциальное количество проварьированных факторов тоже может быть столь велико, что никаких вычислительных ресурсов на обработку таких данных не хватит. Более того, большинство комбинаций градаций факторов, полученных из отдельных ячеек таблиц исходных данных, не будет иметь никакого практического смысла. Базовым предположением, принятым в настоящей работе, является возможность четкой спецификации принципиальных факторов, подлежащих варьированию. Предлагается сгруппировать семантически связанные таблицы в предопределённые факторы, соответствующие ключевым понятиям рассматриваемой предметной области: «почва», «культура», «погода», «технологии возделывания», «местность» и «начальное состояние».

Каждому фактору в такой модели организации данных будет соответствовать одна отдельная таблица, содержащая список формальных градаций этого фактора (ключей); при этом все подчиненные таблицы входных данных будут однозначно связаны с конкретным значением ключевого поля этой таблицы (градацией). При этом мерность факторного пространства принципиально ограничивается жестким набором выделенных факторов, однако структура информационного наполнения каждого фактора (например, список характеристик и таблиц, относящихся к фактору «почва») остается полностью произвольной и доступной для настраивания конечным пользователем системы, исходя из требований используемой им модели.

Кроме понятий о предопределённых факторах и их градациях, онтология поливариантного анализа включает в себя такие сущности, как сценарий и проект. Сценарий - это полный набор данных, необходимый для одного прогона; иначе говоря, это кортеж градаций всех предопределённых факторов, требующихся для работы конкретной модели. Проект - это набор сценариев, предназначенных для одного вычислительного компьютерного эксперимента.

Результаты выполнения всех сценариев одного проекта могут и должны быть обработаны как единое целое. Основополагающие принципы работы в пользовательском интерфейсе системы и семантика понятий «градация фактора», «сценарий» и «проект» демонстрируются на рис. 1.

Рис. I. К понятиям сценария и проекта. А - диалог создания проекта, В - визуализатор сценариев.

Третья глава посвящена техническим аспектам реализации системы поливариантного расчёта. Основная сложность при разработке системы состояла в том, что часть модели данных в ней известна на момент разработки, а часть должна создаваться пользователем. Таким образом, система должна оперировать в ходе работы с информационными доменами разного уровня абстракции, но использовать единый механизм хранения соответствующих данных. Рассматриваются существующие подходы к решению этой проблемы, и предлагается новый, оригинальный подход. Он основан на том, что доступ к метаданным осуществляется с использованием специальных представлений, строящихся на основе обращений к ЮТОКМАТЮТЧ_8СНЕМА. Это позволяет с помощью инструментальных средств разработки работать с метаинформацией в БД, расширяя её предметно-ориентированными атрибутами, такими как предопределённые факторы, к которым относятся созданные пользователем

таблицы. Основное преимущество этого подхода состоит в том, что поскольку физическая структура базы данных соответствует модели предметной области, описанной пользователем, отсутствуют «накладные расходы» на поддержание в базе данных статической универсальной инфраструктуры. При этом и производительность при работе с такими таблицами оказывается не ниже, чем при работе с таблицами, структура которых известна на момент разработки системы поливариантного расчёта.

Следующий раздел главы посвящен описанию особенностей использования технологий, применявшихся для разработки программы. В частности, описан алгоритм «мягкого» обновления базы данных, позволяющий повторно регистрировать новую версию модели с измененной структурой без потери ранее введенных данных. Ещё одним оригинальным техническим решением, использованным при разработке системы, является универсальный древовидный редактор, позволяющий редактировать произвольную объектную модель с использованием абстракций компонентной модели Microsoft.NET.

Следующий раздел главы посвящен описанию технического решения по подключению произвольных внешних моделей. Для этого используется архитектурный шаблон «адаптер», при котором система позволяет подключать к себе адаптеры внешних моделей как плагины. Описан интерфейс адаптера. Рассматриваются требования, которые накладываются на подключаемые модели. Эти требования делятся на три категории:

• Функциональная совместимость с системой поливариантного расчёта. Модель должна допускать выполнение в пакетном режиме, не требуя взаимодействия с пользователем, то есть не быть интерактивной.

• Семантическая совместимость с системой поливариантного расчёта. Модель должна описывать конкретную предметную область, то есть быть динамической моделью продукционного процесса сельскохозяйственных культур.

• Техническая совместимость с системой поливариантного расчёта. Модель должна работать в том же окружении, что и система поливариантного расчёта.

Четвёртая глава посвящена применению системы APEX в исследованиях теоретической направленности, проводимых в лаборатории математического моделирования ГНУ АФИ.

Первая задача, решаемая в данном направлении с помощью системы APEX - это идентификация параметров динамической модели. Поскольку объект моделирования (агроэкосистема) исключительно сложен, его полное описание в виде уравнений, имеющих физический смысл, практически невозможно; многие блоки модели построены на использовании разнообразных регрессионных соотношений, допускающих прозрачную логическую интерпретацию, но не имеющих физического смысла. Для «подгонки» значений коэффициентов этих соотношений необходимо использовать процедуру параметрической идентификации. Она состоит в многократном прогоне модели с различными значениями этих параметров и в выборе (например, методом полного перебора) такой комбинации их значений, при которой достигается

минимальное отклонение полученных результатов от данных экспериментов (полевых опытов).

Компьютерные эксперименты, связанные с идентификацией, по своей природе однофакторны: в них анализируется только один проварьированный предопределённый фактор «Параметры культуры», содержащий различные комбинации определяемых коэффициентов. Однако размерность эксперимента увеличивается благодаря наличию повторностей. В их качестве в данном случае выступают суточные погодные метеоданные для разных лет, которым соответствуют сведения о проводимых в эти года вегетационных опытах и результатах этих опытов, по которым проводится идентификация. При анализе данных осуществлялся поиск градаций фактора «Параметры культуры» с минимальным отклонением измеренных значений от результатов модельных расчётов.

В рамках настоящей работы были проведены эксперименты по идентификации параметров блока азотного питания, а также блока фенологического развития для модели ярового ячменя. Проведенные исследования позволили скорректировать соответствующие модельные параметры культуры, взятые из литературных источников, для повышения точности работы модели АСГЮТООЬ. Показано, что использованная методика идентификации параметров может быть применена для идентификации любых параметров моделей по любым экспериментальным данным, представленным в тех же единицах, что и результаты работы модели, при наличии исходных данных о проводимых полевых опытах.

Потенциальная востребованность системы поливариантного анализа динамики продукционного процесса для целей стратегического планирования в растениеводстве продемонстрирована на примере решения задачи о выборе наилучшей стратегии автоматического орошения в засушливых регионах. Изучение водного стресса в полевых опытах является крайне трудоёмким, поэтому более эффективным решением задачи оптимизации агротехнологий является динамическое моделирование продукционного процесса в вычислительных компьютерных экспериментах. Действительно, в функционале используемой модели АСИОТООЬ реализована возможность учета как декларативных (явно задаваемые сроки и нормы технологических мероприятий), так и реактивных (обратная связь по переменным состояния) программ управления. Последнее позволяет ставить и решать проблему оптимизации агротехнологий в терминах теории оптимального управления.

Если подойти с этой точки зрения к задаче определения наилучшей стратегии орошения, то необходимо выделить ряд ее характерных особенностей, делающих поиск решения весьма нетривиальным делом.

• Непредсказуемость погоды. Для принятия решения о поливе нужно располагать информацией о предстоящих осадках, но реализация будущей погоды нам неизвестна, и мы лишь иногда в состоянии ориентироваться на краткосрочные синоптические прогнозы той или иной степени достоверности.

• Ограниченные возможности управления. Не существует простых технических средств для того, чтобы изъять из почвы избыток воды, есть возможность только пополнить её недостаток.

• Экономическая природа критерия качества в задаче управления. Можно представить себе режим орошения, постоянно поддерживающий оптимальную влажность почвы для каждого растения, но экономическая выгода от максимальной прибавки урожая не сможет окупить затрат на поддержание работоспособности столь сложной ирригационной системы.

Математическая формализация поставленной и решенной в работе задачи выглядит следующим образом:

Необходимо определить наилучшие значения параметров итт и итах, определяющих конкретную реализацию выбираемой функции управления орошением, задаваемой в форме

где - текущий влагозапас продуктивного слоя почвы, У/^ - полевая влагоемкость. В качестве максимизируемого функционала выбирается экономический критерий качества

где Y - прогнозируемый урожай, сп cw - удельные стоимости хозяйственного продукта и поливной воды, а са - накладные расходы на проведение единичного полива.

Ситуация усложняется тем, что аналитическое решение задачи оптимизации невозможно, поскольку модель продукционного процесса (динамическими переменными состояния которой являются W и Y) представляет собой не аналитическую функцию, а сложный вычислительный алгоритм. Поэтому ставить вопрос о нахождении строгого оптимума путём решения вариационной задачи не приходится, и следует ограничиться поиском квазиоптимальных решений в некотором классе функций, выбранном из соображений здравого смысла и практической реализуемости. Из этих же соображений в качестве численного алгоритма решения задачи можно выбрать простейшую схему полного сеточного перебора, допускающую интерпретацию в терминах проекта системы поливариантного расчета.

При проведении эксперимента были проварьированы параметры автоматического полива в предопределённом факторе «Технологии возделывания»: итт - минимальная влажность почвы, при достижении которой требуется произвести полив, и и„юх - значение, до которого следует доводить влажность почвы при поливе. В качестве повторностей использовались суточные погодные метеоданные для разных лет, измеренные на метеостанции Саратов за 12 лет вегетации. Согласно полученным в эксперименте результатам, оптимальная стратегия орошения должна характеризоваться

достаточно низким значением предполивной влажности почвы. При этом полив будет осуществляться только при достижении критического уровня влагообеспеченности, могущего привести к значительному снижению конечной продуктивности, а в условиях умеренного стресса агроэкосистема будет ждать «естественного» орошения осадками, экономя таким образом затраты на воду и процедуру полива.

Последней задачей теоретической агроэкологии, решенной с использованием системы APEX, было исследование влияния климатических изменений на продуктивность сельскохозяйственных экосистем. Простейшим способом предсказания урожайности в зависимости от погодных условий являются агрометеорологические прогнозы, имеющие регрессионный характер. Простота этой методики делает её крайне удобной в агрономической практике, но отсутствие физического смысла делает интерполяционные зависимости неприменимыми в условиях глобальных климатических изменений, в связи с чем возникает необходимость использования моделей продукционного процесса.

Подобные модели, как правило, носят детерминистический характер и требуют в качестве входных данных не интегральных характеристик климата, а конкретных суточных погодных метеоданных. В то же самое время, описание прогнозов климата будущего дается именно в виде интегральных характеристик. Для преодоления этого противоречия предложена методика, использующая встроенный в систему поливариантного расчёта стохастический имитатор суточных погодных метеопараметров - «генератор погоды». Он представляет собой реализацию метода стохастического моделирования, позволяющий сформировать множество «синтетических» погодных реализаций. Входной информацией для генератора выступают разнообразные статистические параметры реального климата, идентифицированные по выборке нескольких лет реальных погодных метеоданных данной местности. В основе работы лежит существенно модифицированный алгоритм моделирования, предложенный Ричардсоном и Райтом. В частности, параметры генератора погоды, идентифицированные по данным многолетних наблюдений, корректируются с использованием прогнозов моделей изменения климата. В проведённых исследованиях использовались данные моделей ЕСНАМ (Институт им. Макса Планка, Гамбург, Германия) и Hadley (Метеорологическая обсерватория Соединенного Королевства, Великобритания).

При проведении экспериментов сначала для выбранной культуры формировался исходный (базовый) сценарий прогона модели с указанием технологии, года возделывания и поля. Затем запускался генератор погоды, и формировалось множество погодных реализаций для соответствующей модели изменения климата. После этого формировался и просчитывался проект, содержащий сформированные генератором градации фактора «погода». Основные результаты исследований, полученные для условий Северо-Запада России, таковы. Для прогнозируемых условий 2020 года статистически значимых отличий в модельных показателях развития и продуктивности злаковых культур и картофеля по отношению к сегодняшним условиям

отмечено не было. В то же время, для временных срезов 2050-ых и особенно 2080-ых годов при сохранении современных технологий возделывания было обнаружено сокращение сроков созревания и существенное уменьшение урожая, связанное с ожидаемым повышением температуры воздуха. В то же время, проведенные дополнительные эксперименты с моделью показывают, что сдвиг сроков сева на более ранние приводит к возрастанию средней урожайности ячменя, хотя срок наступления полной спелости и сокращается. При этом в 2050 и 2080 гг. на Северо-Западе России можно ожидать рост урожайности картофеля даже более существенный, чем для ячменя. Было также отмечено, что различные модели климата будущего дают согласованные результаты, качественно не отличающиеся друг от друга.

В пятой главе излагается методика и результаты компьютерных экспериментов, демонстрирующие применимость и востребованность разработанной системы поливариантного анализа в задачах практического растениеводства и точного земледелия. В частности, описывается предложенная и апробированная автором методика интеграции системы APEX с географическими информационными системами (ГИС). Необходимость подобной интеграции выступает естественным требованием в задачах различного плана, где источником многовариантности расчетов выступает неоднородности почвенного покрова. Сущность предложенного принципиального подхода состоит в жестком разделении сфер ответственности двух взаимодействующих приложений (APEX и ГИС). А именно: информационная поддержка, планирование, осуществление и анализ результатов многофакторного эксперимента с моделью продуктивности осуществляется в интерфейсе и окружении среды поливариантного расчета. В свою очередь, ГИС используется для подготовки и хранения пространственной и атрибутивной информации о выделенных почвенных контурах и построения тематических карт для пространственной визуализации результатов компьютерного эксперимента. Техническая особенность процесса интеграции заключается в том, что данные из ГИС импортируются в систему APEX таким образом, чтобы каждый почвенный контур на карте соответствовал одной градации предопределённого фактора «Почва». При этом название градации должно содержать идентификатор объекта на карте. Созданные градации фактора «Почва» включаются в проект вычислительного эксперимента. Результаты модельных расчётов экспортируются обратно в картографический формат вместе с идентификаторами почвенных контуров, хранящихся в виде названий градаций фактора «Почва». Это позволяет средствами GIS в автоматизированном режиме сформировать, например, карту урожайности.

Ещё одно практически ценное применение системы APEX - это оперативное сопровождение производственных посевов и полевых опытов. Суть этого прецедента применения состоит в составлении динамически уточняющегося прогноза продуктивности на текущий вегетационный период. При этом прогнозируется продуктивность именно реальных посевов на основе реальных данных об условиях произрастания. Основная сложность этой задачи состоит в том, что суточные погодные метеоданные, используемые для модельных расчётов, известны только по настоящий момент. Метеоданные для

предстоящего участка вегетационного периода генерируются с помощью стохастического генератора, описанного выше. Однако если периодически пополнять суточные метеоданные оперативными данными, можно сокращать ту их часть, которая формируется с использованием генератора, и, таким образом, постоянно повышать точность прогноза, сужая «веер» неопределенности будущего.

Рис. 2. Принципиальная схема работы с суточными погодными метеоданными в оперативном сопровождении.

Для решения задачи автоматического пополнения фактических суточных погодных метеоданных может использоваться автоматическая метеостанция (AMC), разработанная в ГНУ АФИ. Раз в час AMC выходит из ждущего режима, снимает показатели с датчиков, отправляет их на Интернет-сервер, после чего снова переходит в ждущий режим. Система APEX при запуске функциональности оперативного сопровождения скачивает с Интернет-сервера метеоданные, накопившиеся с предыдущего запуска этой операции, и пополняет ими данные в нужных градациях предопределённого фактора «Погода», а будущую погоду в течение вегетационного периода генерирует. После чего запуском заранее подготовленного проекта оперативного сопровождения инициируется процедура переформирования оперативного прогноза роста и развития исследуемого посева в текущем сезоне вегетации. Пример динамически уточняющихся прогнозов продуктивности и сроков созревания яровой пшеницы в полевом опыте 2013 года на тестовых площадках Агрофизического НИИ приведен на рис. 3.

Помимо целей пассивного информационного сопровождения полевого опыта, практическая ценность предложенного подхода состоит в возможности подбора оптимальных технологий возделывания в онлайн-режиме. Благодаря тому, что модельные расчёты осуществляются намного быстрее естественного роста растений, множество альтернативных технологий в текущий момент времени можно успеть проанализировать путём прямого перебора. Это открывает перспективы перехода в агрономии к современной парадигме управления - т.н. проактивному управлению, объединяющему процедуры активного воздействия на объект с постоянным прогностическим моделированием последствий этого воздействия. Кроме того, некоторые технологии возделывания требуют привязки к определённым фазам развития, и оперативное сопровождение можно использовать для прогнозирования сроков наступления этих фаз.

Прогноз 45-

"Ю-

35 ■

i '■•!. 3025-

20

2012 год Вариант опыт;! 0 к г/га

Дата прогноза

Прогноз

урожая (ц га)

-* /

2012 год

Вариант опыта - 60 кг/га

Дата прогноза

1005.12 30.05.12

09.07 ö 20W.12 1e.oe.12 07.ra.i2

Ю .05.12 Ш(КД2 1Ü0S12 030712

37Ю12 27 Ш 12

Прогноз

урож 1Я (Ц/га) ... 2013 год Вариант опыта -.60"кг/га

■ ж.

Дата прогноза

Прогноз Г А

.2013 год Вариант опьгга - 120 кт/гя

Дата прогноза

10.W.13 30.01.13 10.00.13 0907.13 2e.07.l3 18 00.13 0709.13

10 05.13 30.05.13 19.00.13 00 07 13 29 0713 « 08 13 07.CB.13

Рис. 3. Динамический прогноз продуктивности и сроков созревания яровой пшеницы в полевых опытах 2012-2013 годов на Меньковской ОС

(сплошная линия - средние величины, пунктир - маргинальные значения, ▲ - фактический урожай)

В Заключении описаны перспективы развития системы APEX и сформулированы основные выводы и результаты работы. В частности рассмотрены следующие направления совершенствования и потенциального расширения разработанной системы поливариантного анализа.

• Существенное расширение списка подключаемых «внешних» моделей и поддержка унифицированных транспортных форматов представления входных данных и результатов, утвержденных международным сообществом разработчиков.

• Поддержка структурной идентификации моделей наряду с их параметрической идентификацией.

• Поддержка создания пользовательских макросов для автоматизации последовательностей стандартных операций.

• Поддержка возможности параллельных вычислений сценариев одного проекта на многопроцессорной технике и в вычислительных кластерах.

• Организация параллельного синхронизированного расчета множества сценариев с возможностью обмена данными в «точках останова». В перспективе это позволит создать прототип трёхмерной модели агроландшафта.

• Планирование и проведение компьютерных экспериментов с поддержкой многолетних севооборотов на уровне системы в целом (независимо от конкретных моделей).

• Расширение средства интеграции (импорта и экспорта) с добавлением возможность анализа результатов модельных расчётов с использованием внешних сред статистического анализа.

• Автоматизация схем планирования, проведения и анализа неполного факторного эксперимента.

Выводы.

• Разработана система поливариантного анализа и автоматизации компьютерного эксперимента с динамическими моделями продукционного процесса сельскохозяйственных культур

• Показана возможность использования разработанной системы для решения актуальных задач в теоретической агроэкологии и практике поддержки принятия решений в земледелии, в частности:

о предложен оригинальный метод параметрической идентификации динамических моделей продуктивности методом полного сеточного перебора исследуемых характеристик о проведены исследования возможного влияния климатических изменений на продуктивность сельскохозяйственных посевов в почвенно-климатических условиях Северо-Запада, о поставлена и решена задача численной оптимизации режима автоматического орошения в засушливых регионах Среднего Поволжья

о продемонстрирована полезность и востребованность разработанной системы в процессе оперативного информационного сопровождения полевых опытов или производственных посевов в масштабе хозяйства.

о предложены принципиальные подходы по использованию системы поливариантного расчёта в задачах точного земледелия и её интеграции с ГИС.

Рекомендации по использованию результатов диссертации

Автором разработана компьютерная система APEX, предназначенная для планирования и проведения многофакторных компьютерных экспериментов с динамической моделью агроэкосистемы. Она может быть с успехом использована в качестве имитационного полигона при анализе и прогнозе последствий применения альтернативных вариантов агротехнических мероприятий при оперативном и стратегическом планировании в масштабе хозяйства. Особенно эффективным представляется ее интеграция с информационными системами поддержки решений в рамках развития современных технологий точного, устойчивого и ресурсосберегающего земледелия.

Список основных публикаций по теме диссертации

1. Медведев С. А. Перспективы создания универсальной оболочки поливариантного расчета моделей продукционного процесса // Материалы всеросс. конф. (с международ, участ.) «Математические модели и информационные технологии в сельскохозяйственной биологии: итоги и перспективы», 14-15 октября 2010 г., С.-Петербург. СПб.: АФИ, 2010. С. 264-269.

2. Medvedev S., Topaj A. Crop simulation model registrator and polyvariant analysis // IFIP Advances in Information and Communication Technology. 2011. V. 359 AICT. P. 295-301.

3. Топаж А. Г., Полуэктов P. А., Медведев С. А. Среда поливариантного анализа динамических моделей агроэкосистем // Труды международной конференции «Современные проблемы математики, информатики и биоинформатики», посвященной 100-летию со дня рождения А. А. Ляпунова, 11-14 октября 2011 г., Новосибирск. ISBN: 978-5-905569-03-6.

4. Медведев С. А., Полуэктов Р. А., Топаж А. Г. Оптимизация стратегии орошения с использованием методов поливариантного анализа динамики агроэкосистем // Мелиорация и водное хозяйство. 2012. №2. С.10-13. (Из перечня ВАК РФ).

5. Полуэктов Р. А., Топаж А. Г., Якушев В. П., Медведев С. А. Использование динамической модели агроэкосистемы для оценки влияния климатических изменений на продуктивность посевов (теория и реализация) // Вестник Российской академии сельскохозяйственных наук. 2012. № 2. С. 7-12. (Из перечня ВАК РФ).

6. Медведев С. А. Система автоматизации компьютерного многофакторного эксперимента с динамическими моделями продукционного процесса // Материалы международной школы-семинара «Фундаментальные и прикладные исследования в математической экологии и агроэкологии», Барнаул, 22-24 июня, 2012. - Барнаул: Изд-во Алт. ун-та, 2012. - С. 98 - 104.

7. Topaj А., Medvedev S., Yakushev V., Komarov A., Shanin V., Denisov V. Software frameworks for crop model development and multi-purpose application // 4th Annual Global Workshop Poster Abstracts, October 28-30, 2013, Columbia University, New York, P. 66.

8. Медведев С. А., Топаж А. Г. APEX - программа для автоматизации многофакторных вычислительных экспериментов с динамическими моделями агроэкосистем. Свидетельство о государственной регистрации программы для ЭВМ № 2014612173 от 20.02.2014 г.

Отпечатано в ГНУ АФИ Россельхозакадемии 195220, Санкт-Петербург, Гражданский пр., д. 14. Тираж 100 экз.

Текст научной работыДиссертация по сельскому хозяйству, кандидата сельскохозяйственных наук, Медведев, Сергей Алексеевич, Санкт-Петербург

Государственное научное учреждение Агрофизический научно-исследовательский институт Россельхозакадемии

На правах рукописи

Медведев Сергей Алексеевич

04201455542

РАЗРАБОТКА И ПРИМЕНЕНИЕ СИСТЕМЫ ПОЛИВАРИАНТНОГО АНАЛИЗА ДИНАМИЧЕСКИХ МОДЕЛЕЙ ПРОДУКЦИОННОГО ПРОЦЕССА КУЛЬТУРНЫХ РАСТЕНИЙ

Специальность 06.01.03 - Агрофизика

ДИССЕРТАЦИЯ на соискание ученой степени кандидата сельскохозяйственных наук

Научный руководитель: докт. техн. наук Топаж Александр Григорьевич

Санкт-Петербург - 2014

Содержание

Введение 2

Глава 1. Современные системы математического моделирования в 8 сельском хозяйстве и экологии

1.1. Модели продукционного процесса в современном земледелии 8

1.2. Инфраструктура модели продукционного процесса 9

1.3. Универсальная оболочка моделей продукционного процесса GUICS 14

1.4. Система поливариантного расчёта DSSAT 17

1.5. Технология структурной идентификации OpenMl 20

1.6. Система моделирования лесных экосистем DLES 23

1.7. Сравнительная характеристика описанных систем 26 Глава 2. Теоретические основы поливариантного расчёта 29

2.1. Основные понятия 29

2.2. Требования к структуре данных в системе поливариатного расчёта 36

2.3. Методы обработки данных при поливариантном расчёте 46

2.4. Прецеденты использования системы поливариантного расчёта 53 Глава 3. Технические аспекты реализации системы APEX 58

3.1. Расширение метаинформации в реляционных СУБД 59

3.2. Структура Базы Данных в системе APEX 69

3.3. Адаптеры для подключения внешних моделей 76

3.4. Методика разработки пользовательского интерфейса 83 Глава 4. Применение системы APEX в задачах теоретической 88

агроэкологии

4.1. Идентификация параметров динамической модели 88

4.2. Оптимизация полива в засушливых регионах 104

4.3. Исследование влияния климатических изменений на агроэкосистему 115 Глава 5. Применение системы APEX в задачах точного земледелия 127

5.1. Учёт неоднородности почвенного покрова 127

5.2. Оперативное сопровождение производственных посевов 134 Заключение 143 Список литературы 146

Введение

Важным инструментом при внедрении современных наукоемких технологий в традиционную практику растениеводства выступают прикладные динамические модели продукционного процесса сельскохозяйственных растений (Acock, 1989). Особенно значимой становится их роль в качестве интеллектуального ядра компьютерных систем поддержки агротехнологических решений в рамках новых перспективных трендов развития сельскохозяйственной отрасли - устойчивого и точного земледелия (Blackmore et al, 1994; Якушев и др., 2001; Якушев, 2002). Динамическая модель агроэкосистемы представляет собой алгоритм, позволяющий по исходным данным о внешних факторах (погода и агротехника) рассчитать динамику сельскохозяйственного посева в течение всего сезона вегетации - от сева до уборки и интерпретировать полученные результаты в терминах содержательных показателей - урожая, сроков наступления фенофаз и других индикаторы роста и развития растений (Passioura, 1996). Использование модельных расчетов позволяет существенно упростить анализ множества альтернативных решений и выбор оптимальных агротехнологий по сравнению с традиционным подходом, основанном на многолетних полевых опытах (Полуэктов, 1991).

Модели продукционного процесса имеют полувековую историю (Шатилов и др., 1976), однако лишь с появлением на массовом рынке персональных компьютеров они получили широкое распространение в прикладной сфере (Полуэктов, Якушев, 2003). К этому моменту посредством теоретических исследований был наработан большой интеллектуальный потенциал в сфере моделирования, что позволило моделям продукционного процесса быстро занять свою нишу, используя многолетние наработки. Важнейшим моментом, характеризующим современное состояние моделирования в сельском хозяйстве, стало появление сред запуска моделей (Yule et al, 1995).

Необходимость таких сред обусловлена тем, что модель в чистом виде

представляет собой вычислительный алгоритм. Сам по себе, без входных

2

данных и средств вывода результатов, он бесполезен. Для того чтобы передать модели входные данные и получить результаты, используются средства информационной поддержки модели. Как правило, они реализуются в виде базы данных, которая обеспечивает хранение совокупности показателей, необходимых для функционирования модели. Кроме этого, среда запуска моделей должна предоставлять дружественный пользовательский интерфейс, с помощью которого можно сформировать нужные условия прогона модели и проанализировать полученные результаты. Таким образом, прикладная система имитационного моделирования может быть схематически описана таким образом:

Графическая оболочка

Пользователь

Запуск

Модель продукционного процесса

Входные данные

Условия прогона

Результаты

/

\

Средства информационной поддержки модели

Результаты

Рис В1. Схема работы системы имитационного моделирования

В простейшем варианте эта схема позволяет сформировать необходимый набор данных для однократного прогона модели и визуализировать результаты расчётов. Однако однократный прогон модели даёт лишь минимальную информацию о поведении моделируемой системы. Для решения научных и практических задач требуется организовать систему

многократных прогонов модели, варьируя по тем или иным правилам входные данные. В монографии Р.Шеннона «Имитационное моделирование систем - искусство и наука» (М.: Мир, 1978) содержится исчерпывающее определение метода: «Имитационное моделирование - это процесс конструирования модели реальной системы и постановки экспериментов на этой модели с целью либо понять поведение системы, либо оценить различные стратегии управления, обеспечивающие функционирование системы в заданных границах». В соответствии с этим определением, организация имитационного эксперимента с многократным прогоном модели становится центральной задачей в разработке оболочки этой модели.

Здесь необходимо сделать важное замечание, касающееся именно моделей агроэкологических систем. На настоящий момент развита мощная теория организации полевых, или натурных экспериментов над сельскохозяйственными посевами (Доспехов, 1979). Однако компьютерный вычислительный эксперимент с моделями продукционного процесса является полноценной заменой полевого опыта, поэтому к нему должны в полной мере относиться все методические принципы организации и обработки данных полевых экспериментов.

При создании среды имитационного моделирования существует ряд специфических задач, которые не рационально решать на уровне самой модели, лучше сделать так, чтобы за многократный прогон модели, формирование наборов входных данных, проварьированных различными способами, а также за анализ полученных результатов отвечала сама среда. Это позволит отвязать её от модели продукционного процесса, в результате чего среду имитационного моделирования можно будет использовать с любой моделью, оформленной подходящим образом. Таким образом, инструменты среды имитационного моделирования должны быть вынесены за рамки модели, и работать вне зависимости от того, какая именно модель используется в вычислительном компьютерном эксперименте. Это приводит

к необходимости решения проблемы интеграции произвольной внешней модели и системы имитационного моделирования.

Практика показывает, что проблема интеграции как таковой в программировании является весьма сложной и актуальной (Gold-Bernstein, Ruh, 2004). Для её решения разработана масса методологий и инструментов, однако в каждом конкретном случае всё равно приходится решать нетривиальные специфические задачи.

После того, как модель интегрирована в систему имитационного моделирования, появляется возможность решать прикладные задачи. Типичные прецеденты использования моделей продукционного процесса показаны в таблице:

Таблица 1. Задачи, требующие поливариантного анализа динамической

модели агроэкосистемы (Полуэктов и др., 2006).

'"Задана - ..-Ь г.. ........................"^^т^г-.....;;.....'""^ЦЖ "А^ 1 '¿'......V У-и Источник вариантности данных

1. Параметрическая идентификация модели Перебираемые значения параметров

2. Оперативный прогноз урожайности в течение сезона вегетации Сценарии погоды

3. Поиск оптимальных агротехнологических решений Разные варианты технологий (сроки и нормы технологических воздействий)

4. Исследование влияния климатических изменений на агроэкосистему Синтетические сценарии погоды для будущего климата

5. Точное земледелие (Войта е1 а1, 1999) Пространственная неоднородность посева и почвенного покрова.

Цель работы: создание многофункциональной среды поливариантного анализа динамических моделей продукционного процесса сельскохозяйственных растений как инструмента теоретических исследований в агроэкологии и поддержки принятия решений в растениеводстве. К числу основных задач работы относятся:

• Разработка и апробация единой методики планирования и проведения многофакторных компьютерных экспериментов с произвольными динамическими моделями агроэкосистемы.

• Реализация компьютерной системы поливариантного анализа динамических моделей продукционного процесса сельскохозяйственных культур.

• Проведение исследований с использованием разработанной системы для решения ряда типовых задач теоретической и практической направленности.

Методика исследований. В проведенных исследованиях использованы методы математического моделирования, теоретической и прикладной информатики, планирования экспериментов, организации и ведения баз данных. Реализация системы поливариантных расчетов осуществлена с использованием визуального проектирования и современных методологий к разработке программного обеспечения: компонентно-ориентированного подхода, инверсий управления и внедрения зависимостей.

Научная новизна работы состоит в том, что впервые предложена концепция информационной системы, в полной мере реализующая два функциональных требования, предъявляемых к средам имитационного моделирования общего назначения: обеспечение поливариантного расчёта и наличие универсальной оболочки для подключения произвольных моделей. В ходе разработки системы был впервые применен оригинальный подход к хранению в единой реляционной структуре данных, относящихся к информационным доменам разного уровня абстракции.

Основные положения, представляемые к защите.

• Вычислительный компьютерный эксперимент с динамической моделью продуктивности является эффективной заменой полевого опыта, и к нему могут и должны быть применены специально адаптированные методики планирования, проведения и анализа

результатов, использующиеся в теории опытного дела.

6

• Разработанная универсальная среда поливариантного анализа компьютерных моделей продукционного процесса представляет собой мощный и удобный инструмент организации многофакторных компьютерных экспериментов.

• Многочисленные приложения созданного программного продукта в качестве инструмента решения типовых задач однозначно свидетельствуют о его полезности и востребованности как в научных исследованиях, так и в практике сельскохозяйственного производства.

Теоретическая значимость работы заключается в разработке концептуального подхода к способу работы с базами данных, структуру которых в определённых пределах может менять пользователь, решение задач организации данных в системе имитационного моделирования, позволяющее ограниченным набором инструментов решать широкий круг задач.

Практическая значимость работы заключается в создании компьютерной информационной системы поливариантного расчёта и организации многофакторного компьютерного эксперимента с динамическими моделями агроэкосистемы и ее использовании для решения разнообразных задач агрономической направленности: анализ и оптимизация агротехнологий, динамический прогноз темпов развития и продуктивности сельскохозяйственных посевов, выделение единиц управления в точном земледелии.

Личный вклад автора. Проектирование архитектуры и программная реализация компьютерной системы поливариантного анализа APEX были выполнены в полном объеме лично автором настоящей работы. Компьютерные эксперименты с использованием разработанной системы для решения описанных задач теоретической и прикладной направленности осуществлялись при непосредственном участии соискателя; при этом степень вовлеченности автора в планирование, проведение и обработку результатов компьютерных экспериментов составляла от 60 до 80 процентов.

Глава 1. Современные системы математического моделирования в сельском хозяйстве и экологии

1.1. Модели продукционного процесса в современном земледелии.

Впервые задача математического описания продуктивности посевов в условиях сельскохозяйственного поля была сформулирована в работе японских авторов Monsi M., Saeki Т (1953). Однако прошел достаточно большой период времени до тех пор, пока эта проблематика стала приобретать достаточно большие масштабы. В нашей стране работы по моделированию начали развиваться первоначально группой ученых под руководством Ю.К. Росса. Вскоре к этому коллективу примкнули и другие. В целом теория и практика моделирования формировалась в трудах таких исследователей как Ю.К.Росс, С.В.Нерпин, Н.Ф.Бондаренко, Г.В.Менжулин, Р.А.Полуэктов, О.Д.Сиротенко, Е.П.Галямин, Х.Г.Тооминг, А. Лайск и др. На западе основные результаты были получены такими учеными как: De Wit, Penning de Fries, Curry R.R., Chen L.H. Brooks R.M., Corey A.T., Goudriaan J., Hanks J., Ritchie J.T., Diepen C.A., Thornley J. H. M, Van Genuchten, M. Th. et al, Mirschel, Wenkel. В результате были разработаны основные принципы моделирования, обоснованы алгоритмы описания как отдельных составляющих продукционного процесса и процесса в целом, созданы многочисленные программные комплексы.

В последние годы рассматриваемая проблематика приобретает не только теоретическое, но и значительное практическое значение. Известный проект MARS (Monitoring Agriculture with Remote Sensing), реализованный в рамках EC и обслуживающий территорию большинства стран Западной Европы и некоторых стран Восточной Европы в качестве своей составной части использует динамическую модель WOFOST (Diepen С.A et al, 1988). В нашей стране также осуществляется разработка системы мониторинга сельскохозяйственных угодий, которая должна охватывать значительную часть

территории страны. В этой системе для решения ряда прогнозных задач также предполагается использовать динамические модели (Полуэктов и др., 1979).

Модель - это программно реализованная совокупность алгоритмов, описывающих комплекс процессов, протекающих системе «почва -растительной покров - приземный воздух» с учётом возможных агротехнологических воздействий (Сиротенко, 1981).

Возникшая в конце прошлого века парадигма т.н. точного земледелия (precision agriculture) является принципиально новым подходом к формированию методов принятия решений в сельском хозяйстве. Развитие этой проблематики связано с работами таких зарубежных исследователей как Blackmore B.S., Bouma J., Yule, T.J. et al. Итоги определенного этапа исследований в нашей стране подведены в монографии В.П.Якушева «На пути к точному земледелию» (Якушев В.П., 2002). Стремление к достижению максимальной эффективности сельского хозяйства, положенное в основу концепции точного земледелия, в частности, проявляется в том, чтобы для решения многих задач заменить традиционные полевые опыты вычислительными компьютерными экспериментами с моделями продукционного процесса (Yakushev, Yakushev, 2008).

1.2. Инфраструктура модели продукционного процесса

Как отмечено во Введении, любой имитационно-моделирующий комплекс должен включать три основные части. Это:

• собственно динамическая модель;

• информационное обеспечение задач моделирования;

• управляющая программа с интерфейсом пользователя (оболочка модели).

К структуре и реализации каждой из подсистем предъявляются свои особые

требования. Основным требованием, предъявляемым к модели, является по

возможности полное и адекватное отражение физической и биологической

сущности процессов, протекающих в почве, приземном воздухе и в самом

9

растительном покрове. Структура информационного обеспечения должна обеспечивать эффективный доступ к данным, относящимся к различным моделируемым явлениям, с возможностью свободно комбинировать их друг с другом (Van Evert, Campbell, 1994). Что касается оболочки модели, то основное требование, предъявляемое к ней, - это простота и удобство работы пользователя в процессе проведения компьютерных экспериментов (Denisov, 2001).

Указанные требования к подсистемам диктуют для каждой из них свои особенности технической реализации. Процессы, имеющие место в почве, приземном воздухе и растительном покрове, как правило, описываются системой дифференциальных уравнений в обыкновенных или в частных пр�