38723

МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ПРОГНОЗИРОВАНИЯ И ПЛАНИРОВАНИЯ АГРОТЕХНОЛОГИЧЕСКИХ ОПЕРАЦИЙ ДЛЯ ПРИРОДНО-КЛИМАТИЧЕСКИХ ЗОН РЕГИОНА

Диссертация

Информатика, кибернетика и программирование

В соответствии с целью выделены следующие задачи: постановка и формализация задачи прогнозирования дат агротехнологических операций; разработка алгоритмов прогнозирования сроков посева зерновых культур; построение технологических карт на основе оптимизации структуры производства растениеводческой продукции с учетом своевременности посева; разработка программного комплекса планирования технологических операций. Математическое алгоритмическое и информационное обеспечение решения задачи оптимизации агротехнологических операций с...

Русский

2013-09-29

8.65 MB

59 чел.

Иркутская государственная сельскохозяйственная академия

На правах рукописи

Асалханов Петр Георгиевич

МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ПРОГНОЗИРОВАНИЯ И ПЛАНИРОВАНИЯ АГРОТЕХНОЛОГИЧЕСКИХ ОПЕРАЦИЙ ДЛЯ ПРИРОДНО-КЛИМАТИЧЕСКИХ ЗОН РЕГИОНА

Специальность 05.13.01 – Системный анализ, управление и обработка

информации (региональные народно-хозяйственные комплексы)

Диссертация на соискание ученой степени

кандидата технических наук

Научный руководитель:

доктор технических наук,

профессор Я.М. Иваньо

Иркутск – 2013

Содержание

[1]
ВВЕДЕНИЕ

[2]
1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ МОДЕЛИРОВАНИЯ ПАРАМЕТРОВ АГРОТЕХНОЛОГИЧЕСКИХ ОПЕРАЦИЙ

[2.1] 1.1 Планирование и прогнозирование производства растениеводческой продукции

[2.1.1] 1.1.1 Методы планирования производства

[2.1.2] 1.1.2 Прогнозирование параметров производства сельскохозяйственных культур

[2.2] 1.2 Модели прогнозирования в задаче оптимизации агротехнологических операций

[2.3] 1.3 Информация применительно к задаче моделирования параметров агротехнологических операций

[2.4] 1.4 Информационные системы управления производственными процессами

[3]
2 МОДЕЛИ ПРОГНОЗИРОВАНИЯ СРОКОВ АГРОТЕХНОЛОГИЧЕСКИХ ОПЕРАЦИЙ ДЛЯ УПРАВЛЕНИЯ ПРОИЗВОДСТВОМ

[3.1] 2.1 Изменчивость сроков технологических операций

[3.2] 2.2 Факторы, влияющие на сроки технологических операций

[3.3] 2.3 Регрессионные модели сроков технологических операций

[3.4] 2.4 Алгоритмы прогнозирования сроков агротехнологических операций

[3.5] 2.5 Оценка качества прогностических сроков технологических операций

[4]
3 МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ПЛАНИРОВАНИЯ АГРОТЕХНОЛОГИЧЕСКИХ ОПЕРАЦИЙ

[4.1] 3.1 Математическое обеспечение модели планирования агротехнологических операций

[4.2] 3.2 Алгоритмы прогнозирования и планирования параметров агротехнологических операций

[4.3] 3.3 Программный комплекс планирования агротехнологических операций

[4.3.1] 3.3.1 Функциональная модель и архитектура программного комплекса

[4.3.2] 3.3.2 База данных программного комплекса

[4.3.3] 3.3.3 Пользовательский интерфейс программного комплекса

[4.4] 3.4 Описание функционирования программного комплекса

[5]
Выводы

[6]
Литература

[7] Приложения


ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность исследования. Планирование в растениеводстве основано на технологических картах. Большую роль при их расчете имеет определение сроков начала производственных операций, которые должны быть оптимальными с точки зрения наилучшего прорастания культур и получения качественного и высокого урожая. Даты агротехнологических операций, как правило, определяемые в соответствии с нормами, используются при планировании, ориентированном на усредненные производственные процессы. Между тем условия возделывания сельскохозяйственных культур в разных природно-климатических зонах региона за многолетний период колеблются в значительной степени, что обусловлено сочетанием большого количества факторов. Очевидно, что для адекватного планирования необходимы качественные модели прогнозирования агротехнологических операций и оптимизации производственных процессов, учитывающие изменчивость природно-климатических факторов.

В этом случае моделирование производственно-экономических параметров основывается на системном анализе ввиду необходимости выделения основных факторов, влияющих на процесс управления производством, и построении на основе выявленных связей качественных моделей. Другими словами, нужно решить научно-практическую задачу, связанную с определением функциональных зависимостей при взаимодействии природно-климатических и агротехнологических параметров с использованием методов математического моделирования и систематизации данных.

При этом невозможно создание единственного плана аграрного производства, что предполагает использование методов математического программирования в задачах с неопределенными параметрами.

Методам планирования аграрного производства и влиянию агроклиматических факторов на возделывание сельскохозяйственных культур большое внимание уделялось в работах: Г.В. Кулика, Л.П. Сычева, М.Е. Браславец, Л.В., Кравченко, П.И. Колоскова, С.А. Сапожниковой, М.И. Мель, В.А. Смирновой, М.С. Кулика, А.Т. Белозорова и других.

Несмотря на обилие материалов в агроклиматологии, посвященных воздействию почвенно-климатических и погодных факторов на развитие сельскохозяйственных культур, практически отсутствуют исследования по влиянию природных факторов на сроки их возделывания.

Агрономические исследования показывают, что несвоевременное выполнение агротехнологических операций приводит к увеличению затрат на производство сельскохозяйственной продукции за счет большей подверженности всходов к болезням и вредителям, высокой влажности семян.

Поэтому прогнозирование сроков агротехнологических операций связано с задачей планирования производственных процессов в условиях неполной информации, для решения которой целесообразно создание моделей оптимизации агротехнологических операций.

Целью работы является разработка информационного, математического и алгоритмического обеспечения прогнозирования и планирования агротехнологических операций для различных природно-климатических зон региона.

В соответствии с целью выделены следующие задачи:

- постановка и формализация задачи прогнозирования дат агротехнологических операций;

- разработка алгоритмов прогнозирования сроков посева зерновых культур;

- построение технологических карт на основе оптимизации структуры производства растениеводческой продукции с учетом своевременности посева;

- разработка программного комплекса планирования технологических операций.

Методы исследования. В диссертационной работе использованы методы теории вероятностей и математической статистики, имитационного моделирования, прогнозирования и математического программирования.  

Новизну работы составляют следующие основные научные положения.

1. Постановка и формализация задачи прогнозирования дат агротехнологических операций для планирования производственных процессов.

2. Методика прогнозирования сроков агротехнологических операций, учитывающая формы связи, число факторов, заблаговременность, погодные условия предпосевного периода и прогностические данные.

3. Модели оптимизации структуры посевных площадей с учетом своевременности выполнения агротехнологических операций для повышения эффективности производства растениеводческой продукции.

4. Математическое, алгоритмическое и информационное обеспечение решения задачи оптимизации агротехнологических операций с детерминированными и неопределенными параметрами, связанными со своевременностью посева, для управления производственными процессами на предприятиях агропромышленного комплекса региона.

Объектом исследования является система взаимодействия агротехнологических операций, природно-климатических и погодных факторов.

Предметом исследования является моделирование системы взаимодействия агротехнологических операций, природно-климатических и погодных факторов.

Информационная основа. При разработке моделей прогнозирования использованы агроклиматические данные по гидрометеорологическим пунктам Иркутской области за 1987-2012 гг., сведения о производственных параметрах сельскохозяйственных предприятий региона, нормативно-справочная информация, прогностические данные о погоде и экспертные оценки.

Практическая значимость работы состоит в использовании разработанных моделей для прогнозирования сроков агротехнологических операций и планирования производства растениеводческой продукции на предприятиях агропромышленного комплекса, расположенных в разных природно-климатических зонах региона. Результаты прогнозирования апробированы для предприятия УНПП «Семена» Иркутского района.

Разработанные модели прогнозирования сроков возделывания сельскохозяйственных культур применяются в дисциплинах «Моделирование устойчивого развития сельских территорий» для студентов 4 курса специальности «Прикладная информатика (в экономике)» и «Моделирование производственных процессов в условиях рисков» для магистрантов 1 года по направлению подготовки «Прикладная информатика».

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на международной научно-практической конференции, посвященной 75-летию образования ИрГСХА «Климат, экология, сельское хозяйство Евразии» (ИрГСХА, март 2009); XIV Байкальской Всероссийской конференции «Информационные и математические технологии в науке и управлении» (ИрГТУ, май 2009); Всероссийском конкурсе на лучшую научную работу среди студентов, аспирантов и молодых ученых высших учебных заведений Министерства сельского хозяйства РФ (апрель - май 2010); региональной научно-практической конференции молодых ученых Сибирского федерального округа с международным участием, посвященной 65-летию Победы в Великой Отечественной войне «Информационные технологии в АПК» (ИрГСХА, май 2010); XV Байкальской Всероссийской конференции «Информационные и математические технологии в науке и управлении» (Иркутск – Байкал, июнь 2010); региональной научно-практической конференции молодых ученых Сибирского федерального округа с международным участием «Научные достижения производству» (ИрГСХА, май 2011); Всероссийской конференции «Винеровские чтения» (ИрГТУ, май 2011); XVI Байкальской Всероссийской конференции «Информационные и математические технологии в науке и управлении» (ИСЭМ, июнь 2011); международной научно-практической конференции «Природопользование и аграрное производство» (ИрГСХА, май 2012); ежегодных семинарах по математическому моделированию и информационным технологиям на кафедре информатики и математического моделирования (ИрГСХА, 2008-2013).

Публикации.  Результаты диссертационного исследования опубликованы в 14 печатных работах, четыре из которых в изданиях из списка, рекомендованного ВАК.

Структура и объем работы. Диссертационная работа состоит из введения, трех глав, заключения, списка литературы из 139 наименований и приложений. Общий объем работы составляет 144 страниц, которые содержат в себе 15 таблиц, 41 рисунок и 13 приложений.


ВВЕДЕНИЕ

При планировании производства растениеводческой продукции актуальной проблемой является создание методики прогнозирования сроков агротехнологических операций. В условиях значительной изменчивости климатических условий, характерных для территории Восточной Сибири, прогнозирование дат посевов имеет особое значение [1, 2].

Прогностические даты посева и других, связанных с ним операций по возделыванию сельскохозяйственных культур, можно использовать для построения технологических карт. При этом в зависимости от своевременности выполнения этих операций, которые зависят от точности прогноза, возможны различные варианты планов производства растениеводческой продукции.

В работе предлагается решение следующих задач: постановки и формализации задачи прогнозирования дат агротехнологических операций; разработки алгоритмов прогнозирования сроков посева зерновых культур, для построения технологических карт и моделирования производственных процессов; создание информационного обеспечения для прогнозирования сроков возделывания сельскохозяйственных культур в различных природно-экономических зонах региона; разработка программного комплекса планирования технологических операций.

Работа состоит из введения, трех глав, заключения, списка литературы и приложений.

Во введении обосновывается актуальность темы диссертации, формулируются цель и основные задачи исследования, указываются научная новизна работы, теоретическая и практическая значимость полученных результатов.

В первой главе рассмотрены теоретические основы моделирования технологических операций производства сельскохозяйственных культур. Описано перспективное и текущее планирование. Изучены технологии планирования растениеводческой продукции. Проанализированы основные разделы технологической карты и методика её составления. Рассмотрены модели прогнозирования параметров агротехнологических операций и задача оптимизации структуры посевных площадей с учетом своевременности выполнения агротехнологических операций. Исследована структура информационного обеспечения производственных процессов. Проведен анализ информационных систем планирования аграрного производства.

Вторая глава посвящена моделям прогнозирования агротехнологических операций. Рассмотрены критерии оценки сроков выполнения работ по возделыванию сельскохозяйственных культур. Выявлены факторы, влияющие на даты посева. Построены однофакторные и многофакторные зависимости дат начала посевных работ от показателей тепла и увлажнения. Предложены адаптивные модели прогнозирования рекомендуемых сроков посева зерновых культур на основе построения различных уравнений регрессии в зависимости от исходных данных, и выявления среди них качественных для прогнозирования. Приведена классификация алгоритмов создания моделей для прогнозирования сроков агротехнологических операций. Проведена оценка качества моделей и выявлена степень их пригодности для разных районов Иркутской области.  Получены прогнозы дат посева зерновых культур с расчетной заблаговременностью для различных агроландшафтных районов региона.

В третьей главе описано математическое и программное обеспечение планирования агротехнологических операций. Приведена классификация моделей прогнозирования и планирования параметров агротехнологических операций, используемых в работе. Сформулирована и решена задача оптимизации структуры посевных площадей с учетом своевременности посева. Описан разработанный программный комплекс планирования технологических операций. Приведена функциональная модель и модель данных комплекса. Рассмотрена его структура и взаимодействие ядра комплекса с источниками информации и программным обеспечением по реализации функций моделирования агротехнологических операций для управления производственными процессами. Реализация функций прогнозирования и планирования производства показана на примере объектов Иркутской области.

В заключении выделены основные результаты диссертационной работы и направления дальнейших исследований.

Описанная в работе методика позволяет рассчитывать рекомендуемые даты технологических операций возделывания сельскохозяйственных культур по агроклиматическим параметрам на текущий год с определенной заблаговременностью, что особенно актуально в условиях резко-континентального климата, характерного для территории Иркутской области. Алгоритм является адаптивным и может использоваться на предприятиях агропромышленного комплекса различных климатических зон региона и для разных культур. Разработаны модели оптимизации структуры посевных площадей с учетом своевременности посева, зависящей от прогностических дат агротехнологических операций. Методика прогнозирования и модели планирования реализованы для сельскохозяйственного предприятия Иркутского района.


1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ МОДЕЛИРОВАНИЯ ПАРАМЕТРОВ АГРОТЕХНОЛОГИЧЕСКИХ ОПЕРАЦИЙ 

Развитие агарного производства связано с освоением современных технологий производства сельскохозяйственной продукции, направленных на максимальное использование достижений науки и практики в области агрономии, механизации, организации производственных процессов и математического моделирования.

Благоприятные условия жизни растений способствуют увеличению эффективности производства на предприятиях АПК. Для их создания большое значение имеет своевременное и качественное выполнение работ: обработка почвы, внесение удобрений, посев, уход за растениями и уборка урожая [95].

В условиях экономической нестабильности современные проблемы повышения устойчивости аграрного производства России во многом связаны с прогнозированием производственно-экономических процессов в АПК. Прогнозирование аграрного производства основано на выявлении статистических закономерностей и зависимостей производства продукции сельского хозяйства от факторов производства. Для отрасли растениеводства к основным факторам относят, прежде всего, агроклиматические условия территории, на которой возделываются сельскохозяйственные культуры.

Особую актуальность приобретает разработка и реализация прогностических моделей определения сроков технологических операций, учитывающих агроклиматические условия сельскохозяйственного производства за предшествующие работам периоды. Моделирование технологических операций производства зерновых культур с учетом природно-климатических условий позволяет повысить эффективность производства сельскохозяйственной продукции на основе улучшения достоверности кратко- и среднесрочного прогнозирования дат выполнения работ.

1.1 Планирование и прогнозирование производства растениеводческой продукции

1.1.1 Методы планирования производства 

Планирование - один из основных методов управления как непосредственно производством, так и общеэкономической деятельностью предприятия. Оно может быть рассмотрено, как система средств, методов и форм воздействия на экономические интересы трудовых коллективов с целью ориентации их деятельности на повышение эффективности производства [73].

Задачи планирования в каждом конкретном случае индивидуальны и определяются изучаемым объектом. Например, в сфере производства – это создание оптимальных условий производства и сбыта продукции с учетом рыночной ситуации, ресурсных ограничений и соответствия выбранному критерию планирования [83, 71].

В зависимости от выбранного классификационного признака выделяют следующие виды планов (рисунок 1.1).

Рисунок 1.1 – Классификация планов производства

Плановое руководство развитием народного хозяйства, базируется на сочетании перспективного и текущего планирования.

Технологические карты растениеводства используются при разработке всех видов планов агарного предприятия (перспективных, текущих, оперативных) и фактически являются их расчетной частью. Поэтому они являются одними из важнейших инструментов планирования на предприятии АПК [40, 108].  

Технологические карты являются основой всех уровней планирования: перспективного, текущего и оперативного. При расчете этих карт используются в основном балансово-нормативные методы планирования [31].

Планирование на предприятиях АПК основано в большинстве случаев на неизменности условий производства. Однако особенностью сельского хозяйства является прямая зависимость результатов производства от почвенно-климатических условий, которые меняются в значительной степени за многолетний период [90]. Поэтому при составлении планов  значение имеет использование прогнозов агроклиматических условий предстоящих периодов. Результаты прогнозирования могут быть применены при составлении планов. На основе прогноза сроков технологических операций уточняется план использования техники, персонала и других ресурсов, что повышает эффективность деятельности аграрного предприятия в целом.

Технологическая карта как инструмент планирования производственной деятельности

Важнейшим, организующим элементом целесообразной деятельности человека является цель – образ желаемого будущего, т.е. модель состояния, на реализацию которого и направлена деятельность. Системность деятельности проявляется в том, что она осуществляется по определенному плану или по определенному алгоритму. Следовательно, алгоритм – образ будущей деятельности, ее модель. Прагматические модели являются средством управления, средством организации практических действий или их результата, т.е. являются рабочим представлением цели. Модель – это системное отображение оригинала [36, 87].

Моделирование агротехнологических операций невозможно без применения методов системного анализа. Поскольку параметры агротехнологических операций связаны с большим количеством факторов, необходима систематизация данных; выделение существенных параметров, влияющих на технологические операции; построение моделей в зависимости от особенностей информации; осуществление прогнозов. Одной из целей такого моделирования является составление множества оптимальных планов проведения работ при различных условиях производства [85].

Технологическая карта в растениеводстве представляет собой план агротехнических и организационно-экономических мероприятий по возделыванию одной или группы однородных по технологии сельскохозяйственных культур с расчетом себестоимости конечной продукции растениеводства [39].

На основе технологических карт вычисляют прямые затраты труда и материально-денежных средств по культурам, составляют рабочие планы по периодам сельскохозяйственных работ, определяется потребность в работниках, технике, предметах труда, исчисляется себестоимость единицы продукции растениеводства, расценка для оплаты труда работников, обосновывают составы машинно-тракторного парка, графики технических уходов и ремонтов сельскохозяйственной техники [95].

На рисунке 1.2 приведена классификация технологических карт отрасли растениеводства.

Перспективные технологические карты разрабатываются на несколько лет вперед и применимы для различных предприятий АПК одной природно-климатической зоны. В них рассматриваются в основном отдельные культуры или виды продукции с различным назначением использования (многолетние травы на сено, зеленую массу, силос) [39].

Рисунок 1.2 – Классификация технологических карт растениеводства

Технологические карты в большинстве случаев составляют под урожай планируемого года без учёта незавершенного производства. В них включают все работы с 1 января до получения конечного продукта в хозяйстве [94].

Основные разделы технологической карты и методика их заполнения приведены в таблице 1.1.

Рассчитанные технологические карты по культурам являются основным документом для расчета прогнозируемой себестоимости производимой растениеводческой продукции на предприятии, а также для определения расценок за единицу продукции при оплате труда. Данные технологических карт используются для расчета производственной программы по отрасли растениевода в производственно-финансовом плане предприятия АПК, а также бизнес-планов предприятий.

Для оперативного руководства производством на основе технологической карты и рабочих планов по периодам работ большое значение имеет установление обоснованных календарных сроков и продолжительность проведения работ.

Таблица 1.1 – Разделы технологической карты, их содержание и рекомендации по расчету

Разделы технологической карты

Содержание раздела

Рекомендации по расчету

1

Наименование работ

Полный перечень всех работ и операций

В соответствии с принятой технологией

2

Объем работ

Объём работ в физическом выражении и эталонные выработки по маркам тракторов за семичасовую смену, в условных гектарах

Справочная информация

3

Сроки выполнения работ

Даты начала, окончания и продолжительность работ

На основе усреднённых дат за многолетний период

4

Состав агрегата

Состав агрегата с указанием марок тракторов, машин и орудий, и их количества

Исходя из технологии возделывания и наличия техники, имеющейся в хозяйстве

5

Обслуживающий персонал

Количество работников, обслуживающих агрегат

Справочная информация

6

Норма выработки

Норма выработки

На основе справочника по нормам выработки

7

Количество нормо-смен

Количество нормо-смен, содержащихся в физическом объёме работ

Деление запланированного объёма работ (графа 2) на норму выработки (графа 6)

8

Затраты труда

Затраты труда на весь объём работ по трактористам-машинистам и вспомогательным работникам, в чел.-днях

Умножение показателя количество нормо-смен (графа 7)  на число работников, обслуживающих агрегат (графа 5)

9

Затраты электроэнергии

Расход электроэнергии на работах, связанных с её использованием, в кВт∙ч

Умножение мощности применяемого электромотора машины или агрегата (в кВт) на количество часов его работы.

10

Затраты ГСМ

Общий и удельный (на единицу площади) расходы горюче-смазочных материалов, в тоннах и тонн/га

На основе данных справочника по нормам выработки на механизированные работы

11

Разряд / тарифная ставка

Разряды и тарифные ставки работников, в рублях за час или смену

В соответствии с принятым в хозяйстве положением по оплате труда и материальному стимулированию работников и  справочнику тарификации работ

12

Тарифный фонд (зарплата рабочим)

Тарифный фонд затраты на весь объём работ, в тыс. руб.

Умножение тарифных ставок (графа 11) на затраты труда (графа 8).

13

Повышенная и дополнительная оплата

Повышенная и дополнительная оплата работникам

В соответствии с принятым в хозяйстве положением по оплате труда и материальному стимулированию работников

Сроки выполнения работ устанавливают согласно рекомендациям для условий данного предприятия (графа 3 таблицы 1.1). Однако в сельском хозяйстве эти сроки зависят от конкретных погодных условий, и поэтому являются оперативными [40]. Пример технологической карты, рассчитанный для предприятия Иркутского района, приведен в приложениях 1 и 2.

Сроки выполнения технологических операций определяются, в основном, в соответствии с принятыми в хозяйстве, усредненными датами этих операций. При этом не учитываются ежегодные колебания агроклиматических условий влияющих на эти сроки. Выявление обоснованных сроков выполнения работ по технологическим картам, является слабым местом в современной методике их составления.

Актуальным является создание методики определения сроков технологических операций с учетом климатических условий каждого года.

Эффективная оценка сроков агротехнологических операций связана с построением адекватной технологической карты как основного элемента планирования производства в растениеводческой отрасли. Целесообразно создание методики расчета обоснованных сроков операций в условиях значительной изменчивости климата, характерной для Восточной Сибири.

1.1.2 Прогнозирование параметров производства сельскохозяйственных культур 

Эффективное управление сельскохозяйственным производством  невозможно без прогнозирования хода факторов, от которых оно зависит. Прогнозирование создает научно обоснованную базу для планирования и обеспечивает гибкость управления хозяйственным развитием [86]. Поэтому разработке любого более или менее обоснованного плана предшествует прогнозирование.

На основе прогнозов определяется потребность в конкретных видах техники, трудовых и материальных ресурсах. Так, с помощью прогноза сроков агротехнологических операций, уточняется план использования техники и персонала на предприятии АПК [90].

Существующее множество прогнозов различается по нескольким наиболее существенным признакам (рисунок 1.3) [88].

Прогноз сроков технологических операций по объекту исследования относится к локальному прогнозу, по времени прогнозирования – к среднесрочному или краткосрочному. Степень достоверности такого прогноза может быть разной.

В различных отраслях народного хозяйства широко используются методы прогнозирования, поскольку значения прогнозных оценок развития анализируемых процессов или явлений являются основой принятия управленческих решений при оперативном, тактическом и стратегическом планировании [74].

Рисунок 1.3 – Классификация прогнозов

В настоящее время насчитывают более 150 методов и приемов прогнозирования. Наиболее распространенной в экономической литературе является классификация методов прогнозирования по степени формализации, согласно которой их можно разделить на интуитивные и формализованные.

Интуитивные (экспертные) методы прогнозирования как научный инструмент решения сложных неформализуемых проблем позволяют получить прогнозную оценку состояния развития объекта в будущем независимо от информационной обеспеченности.

Экспертные методы прогнозирования по принципу действия можно разделить на индивидуальные и коллективные экспертные оценки. Индивидуальные оценки целесообразно использовать только тогда, когда есть очень компетентный специалист в области деятельности, подлежащей прогнозному исследованию.

Методы коллективных экспертных оценок представляют собой попытку повысить степень объективности мнений экспертов, увеличить достоверность коллективного суждения [81].

Статистические методы представляют собой совокупность методов обработки количественной информации об объекте прогнозирования, объединенной по принципу выявления содержащихся в ней математических закономерностей изменения характеристик данного объекта с целью получения прогнозных моделей [83].

Управление в сельском хозяйстве в значительной степени предполагает принятие решений в условиях неопределенности, обусловленной недостаточностью знаний о биологических и физических системах и случайным характером протекающих процессов [69].

Среди всех параметров производства растениеводческой продукции особое место занимает урожайность сельскохозяйственных культур. Вопросы прогнозирования урожайности представляют большой научный и практический интерес, ему посвящено большое количество работ [24, 25, 66, 86 и др.].

Интерес вызывает применимость для оценки урожайности вышерассмотренных общих методов прогнозирования.

Если не учитывать различные модификации в подходе к прогнозированию урожайности сельскохозяйственных культур, то можно констатировать, что в настоящее время оно осуществляется в основном построением многофакторных зависимостей, позволяющих рассчитать ожидаемую величину урожая в каждом году исследуемого периода с учетом запланированной (ожидаемой) величины указанных факторов [86].

Прогнозы урожая зерновых, составляемые в период вегетации растений, основаны на учете состояния посевов и сложившихся к этому времени агрометеорологических условий.

В качестве математического аппарата обычно используется корреляционно-регрессионный анализ, позволяющий получать зависимости урожая от перечисленных факторов.

Для прогнозирования ожидаемой урожайности по прошлым значениям временного ряда используются также различные авторегрессионные модели. С увеличением заблаговременности надежность методов прогноза, основанных на экстраполяции тенденции, снижается.

При разработке методов прогноза урожая сельскохозяйственных культур для отдельных предприятий исследователь сталкивается со значительными трудностями. В этих случаях, кроме метеорологических условий, приходится учитывать большое количество факторов, характеризующих почвенные особенности хозяйства, общий уровень культуры земледелия, агротехнику конкретного года (количество и состав внесенных удобрений, предшественник, качество и своевременность проведения агротехнических мероприятий и т.д.).

Для прогнозирования урожайности зерновых культур многие авторы [24, 25, 66, 86] предлагают использовать регрессионные модели. В качестве факторов в этих моделях используются различные агроклиматические показатели. В таблице 1.2 приведены результаты исследований зависимости урожайности от некоторых факторов по областям Западной и Восточной Сибири.

Таблица 1.2 – Исследования зависимости урожайности культур от агроклиматических факторов

Авторы

Год иссле-дования

Регион, область

Культура

Факторы, включенные в модель

Деревянко А.Н.

1980

Западная и Восточная Сибирь

Зерновые

Средняя месячная температура воздуха и месячная сумма осадков за предшествующий и текущий годы

Пономарев Б.П.

1974

Степная и лесостепная зоны Западной и Восточной Сибири

Яровая пшеница

Сведения о запасах влаги в слое 0—100 см в фазу колошения, числе развитых колосков в колосе и о проценте посевных площадей

Старостина Т.В.

1983

Западная и Восточная Сибирь

Яровой ячмень

Сумма осадков за отдельные периоды вегетации и различные календарные периоды, число дней с осадками, ГТК, температура воздуха за межфазные периоды, дефицит влажности воздуха, высота растений и число развитых колосков в колосе, запасы влаги в почве

Вашукевич Е.В., Иваньо Я.М.

2009

Остепненная и лесостепная зоны Иркутской области

Зерновые

Количество дней без осадков вегетационного периода, сумма средней месячной температуры

вегетационного периода

Интересные исследования по краткосрочному прогнозу урожайности проводились профессором А. Вайнштейном, который ввел в уравнение комплексный показатель: отношения суммы осадков за май-июль к соответствующим суммам температур (гидротермический коэффициент).

Коэффициент множественной корреляции полученной модели равен 0,95, а сама модель имеет вид

y=-4,35+0,146x1+0,0167x2,    (1.1)

где y - урожайность овса, ц. с 1 га; x1 - гидротермический коэффициент; x2 - осадки октября предшествующего года, мм. Сопоставление расчетных и фактических урожаев показало на высокую надежность модели. Исходя из проделанных исследований, автор сделал вывод о том, что «при тщательном, вдумчивом подходе к факторам можно ограничиться при построении корреляционной модели минимальным числом показателей, включенных в модель, и получить вполне удовлетворительные для прогноза результаты».

Таким образом, модели связи урожайности с метеорологическими условиями могут быть использованы для прогноза урожаев за несколько месяцев до уборки [24].

Методам оценок урожайности сельскохозяйственных культур посвящено множество работ [24, 25, 66, 86 и др.] по прогнозированию сельскохозяйственного производства, однако, недостаточное внимание уделяется заблаговременному определению сроков операций по технологическим картам. При этом на основе моделирования сроков технологических операций можно спрогнозировать даты начал сельскохозяйственных работ, что актуально для своевременной и полноценной подготовки хозяйства к полевым работам.

1.2 Модели прогнозирования в задаче оптимизации агротехнологических операций

В разных отраслях наук используются прогностические зависимости, в которых результативный признак связан с предшествующими факторами. В работе [24] зависимость урожайности связана с осадками октября предшествующего года (1.1).

В книге [26] по прогнозированию весенних половодий предлагаются зависимости расходов воды от запасов воды в снеге, интенсивности снеготаяния.

В работе [6] приведена методика прогноза речного стока y по данным о запасах воды в речной сети и о притоке воды в нее

   (1.2)

где Wt – запас воды во всей речной сети бассейна в день составления прогноза t, - приток воды в речную сеть за период заблаговременности прогноза, равный T дням.

В работе [29] описана формула для расчета индекса увлажнения почвы

       (1.3)

где Xi – осадки за i-ый интервал времени (t); tm – общая продолжительность времени, за которое учитывается предшествующие осадки; ai – доля осадков Xi, оставшихся в почве на расчетную дату.

В работах [46, 102] рассматриваются чередование различных природных явлений: засух, суровых зим, гидрологических явлений, ливневых осадков и других.

Между тем практически нет работ по прогнозированию дат осуществления технологических операций при производстве сельскохозяйственной продукции. При этом, понятно, что разработка таких прогностических моделей должна быть связана с предшествующими факторами, поскольку прогнозы погодных параметров, особенно на 5 и более шагов, представляют собой сложную задачу

В работе [17] показано, что по аналогии с оценкой результативного признака при прогнозировании весеннего половодья и урожайности можно использовать факторные зависимости между рекомендуемой датой посева и предшествующими параметрами

,    (1.4)

где - средняя суточная температура за i-ые сутки предшествующего периода k, - суточные осадки  i-го дня предшествующего периода k, Iw - индекса увлажнения почвы, - разность максимальной и минимальной температур с некоторой заблаговременностью и др.

Полученные прогнозные даты посева можно использовать при составлении технологических карт растениеводства. Очевидно, что идеальная технологическая карта должна основываться на точном прогнозировании параметров. Однако ввиду сложности процесса, зависящего от множества природно-климатических и агротехнических факторов, многие из которых являются неопределенными, построение реального плана может быть осуществлено на основании моделей оптимизации агротехнологических операций с вероятностными и интервальными параметрами.

Прогностические даты операций по возделыванию культур влияют на технологические процессы, что можно использовать для построения оптимизационных моделей. При этом в зависимости от своевременности выполнения технологических операций возможны различные ситуации, которые отличаются объемами затрат на производство продукции. Так, например, своевременное выполнение технологических операций, в особенности посева, в большинстве случаев позволяет уменьшить общие затраты, а проведение работ в более ранние или поздние сроки увеличивают их. Кроме того, сроки посева влияют и на другие показатели, такие как урожайность, всхожесть, влажность семян и т.д. При этом коэффициент влияния сроков посева для различных природно-климатических условий можно определить экспертно.

Общая постановка задачи оптимизации производства сельскохозяйственной продукции при различных сроках посева выглядит следующим образом. Минимизируются суммарные затраты на возделывание культур одного предприятия:

      (1.5)

при ограничениях:

1) по потребности в производстве продукции j-ой культуры:

;            (1.6)

2) неотрицательности переменных

.     (1.7)

При записи экономико-математической модели использованы следующие обозначения: j - индекс сельскохозяйственной культуры; i - индекс групп операций; aj – урожайность j-ой культуры; lj – коэффициент влияния своевременности посева на урожайность j-ой культуры, в зависимости от срока посева; wij – постоянные затраты на i-ю группу операций возделывания 1 га j-ой культуры; vij – переменные затраты на i-ю группу операций возделывания 1 га j-ой культуры;  kij – коэффициент влияния своевременности посева на затраты i-й группы операций возделывания 1 га j-ой культуры, в зависимости от срока посева; xj – искомая площадь j-ой культуры; Aj – потребность в продукции j-ой культуры; N – множество культур; М — множество групп операций.

В данной постановке задачи рассматриваются отдельно три ситуации: посев в ранние, оптимальные и поздние сроки.

Другой подход к решению этой задачи заключается в том, что коэффициенты влияния сроков посева, рассматриваются как параметр с интервальными оценками. При этом постановка задачи выглядит следующим образом. Минимизируются суммарные затраты на производство продукции одного предприятия:

,   (1.8)

где , при ограничениях:

1) по потребности в производстве продукции j-ой культуры:

;            (1.9)

где

2) неотрицательности переменных

.     (1.10)

В этой модели параметры  и  - минимальные и максимальные значения коэффициентов влияния сроков посева на i-ю группу операций возделывания 1 га j-ой культуры; и  - минимальные и максимальные значения коэффициентов влияния сроков посева на урожайность j-ой культуры.

Результатом моделирования является множество оптимальных решений для различных ситуаций проведения технологических операций, из которых выбираются минимальный, средний и максимальный оптимальные решения, которые имеют значения для управления производственными процессами. Кроме приведенных постановок задачи следует учитывать случайность ряда параметров, входящих в модель.

1.3 Информация применительно к задаче моделирования параметров агротехнологических операций

Технологические операции - это часть технологического процесса обработки почвы. Обработка почвы - одна из важнейших составных частей системы земледелия, которая во многом определяет уровень урожайности сельскохозяйственных культур, сохранение и восстановление плодородия почв, экологическую ситуацию территории.

Эффективность деятельности агарного предприятия напрямую зависит от качества полевых работ. Отсутствие должной оперативности и запаздывание в подготовке и проведении сельскохозяйственных работ – серьезный недостаток организации производства на предприятии растениеводческой отрасли.

Важными агромероприятиями в значительной степени определяющими величину урожая являются определение сроков, способов и норм высева сельскохозяйственных культур.

Огромная территория Иркутской области, резко континентальный климат с зональными особенностями, наличие поздних весенних и ранних осенних заморозков, а также частые весенние засухи, — всё это требует тщательного планирования агротехники весеннего сева.

Определение обоснованных, с точки зрения оптимального прорастания культуры и получения высокого и качественного урожая, сроков технологических операций является важной проблемой при составлении технологических карт растениеводства. При этом важно не только определить критерии оптимальности, при достижении которых необходимо осуществлять ту или иную операцию. Имеет значение возможность прогнозирования времени наступления условий, удовлетворяющих таким критериям, то есть заблаговременное определение рекомендуемой даты выполнения операций [25].

В таблице 1.3 приведен примерный список агротехнологических операций и рекомендаций по срокам их выполнения.

Таблица 1.3 - Примерный список работ по технологической карте при возделывании яровой пшеницы и рекомендации по срокам их выполнения

Наименование работы

Рекомендации по срокам начала (приблизительные сроки)

1

Закрытие влаги

При наступлении физической спелости почвы (2-3 декада апреля)

2

Культивация

Непосредственно перед посевом (1 декада мая)

3

Посев

При достижении рекомендуемой температуры на глубине заделки (среднеспелые сорта – 5-15 мая, скороспелые – 15-25 мая)

4

Внесение удобрений

Одновременно с посевом

5

Прикатывание

Вслед за посевом, но не позднее чем через 2 дня

6

Боронование до всходов

Через 3-5 дней после посева

7

Боронование по всходам

В фазе кущения

8

Обработка посевов ядохимикатами

В фазе кущения, по мере появления вредителей

9

Уборка

Скашивание в валки

Средина-конец восковой спелости

Подбор валков и обмолот

На 3-5 день после скашивания

Уборка

Прямое комбайнирование

Полная спелость, влажность зерна не более 20% (позднеспелые – 120-130 дней после посева, скороспелые – 75-80)

10

Уборка соломы

После обмолота или вслед за уборкой

Согласно этой таблице все сроки технологических операций можно привязать к датам следующих работ: закрытие влаги, посев и уборка (рисунок 1.4).

Закрытие влаги  Посев         Уборка

 

Рисунок 1.4 – Основные технологические операции по номерам на оси времени

Закрытие влаги производится весной после таяния снега, когда отсутствует грязь и физически возможно передвижение техники по полю (физическая спелость почвы). При этой операции разрушаются капилляры на поверхности почвы, по которым влага интенсивно испаряется, что способствует её сохранению для прорастания семян после посева [95].

Посев культур осуществляется, когда почва соответствует некоторым агроклиматическим параметрам. В зависимости от культуры и климатических условий территории они могут различаться.

Операции культивация, внесение удобрений, прикатывание, боронование и обработка ядохимикатами, связаны со сроками посевов.

Уборка сельскохозяйственной культуры осуществляется при достижении полной спелости (прямое комбайнирование). Одним из численных показателей спелости служит влажность зерна, которая не должна превышать 20% [85].

Интерес вызывает возможность прогнозирования рекомендуемых дат основных операций: закрытие влаги, посев и уборка. По этим датам можно рассчитать время осуществления остальных операций.

Оценка физической спелости почвы, при достижении которой производится закрытие влаги, весьма субъективна. Определенных численных показателей характеризующих спелость не существует. Поэтому прогнозирование дат закрытия влаги затруднительно.

Для получения высокого урожая зерна пшеницы хорошего качества большое значение имеют сроки уборки. При определении сроков уборки необходимо учитывать сортовые особенности накопления сухих веществ по фазам налива зерна.

Эксперты различают несколько способов определения сроков уборки, из которых наибольшее распространение получил визуальный: по состоянию посевов, окраске соломины, верхнего междоузлия, окраске и консистенции зерна. Но визуальный способ может привести к ошибке на 2-3 дня. В производстве более удобным и надежным является эозиновый метод [77].

Оптимальное сочетание всех показателей качества пшеницы наблюдается между серединой и концом восковой спелости, при влажности зерна 30…20%, в зависимости от сорта и технологии уборки.

Сроки уборки также зависят от даты посевных работ и продолжительности вегетационного периода сельскохозяйственной культуры, с которой связана скороспелость сорта. Для оценки приблизительных сроков уборочных работ необходимо к дате начала посева прибавить продолжительность вегетационного периода (для скороспелых – 75-80, среднеспелых – 90-100 и позднеспелых – 120-130 дней).

В таблице 1.4 приведены средние продолжительности вегетационного периода pi зерновых культур Иркутской области по разным сортам.

Таблица 1.4 – Средние продолжительности вегетационного периода зерновых культур Иркутской области по сортам

Культура

Сорт

Продолжительность вегетационного периода pi, дней

Пшеница

Ирень

76-92

Тулунская 12

80-96

Селенга

84

Бурятская остистая

72-97

Новосибирская 15

77-87

Новосибирская 29

72-90

Овес

Тулунский 22

77-96

Анчар

75-90

Ровесник

73-82

Овен

79

Тулунский 19

81

Тюменский голозерный

81

Ячмень

Неван

65-86

Ача

82

Биом

66-80

При выборе рекомендуемых сроков посева учитывают следующие основные критерии, значения которых изменяется по зонам:

  •  общую длительность вегетационного периода культуры и совмещение ее с продолжительностью периода вегетации в зоне;
  •  требования сельскохозяйственных культур к температуре почвы в период прорастания и формирования всходов;
  •  требования сельскохозяйственных культур к потреблению влаги для формирования сельскохозяйственной продукции.

Каждая сельскохозяйственная культура имеет свои требования к теплу и увлажнению, необходимые для ее выращивания. В разные периоды вегетации требования к температуре и влажности почвы различны. Особое значение имеет температурный режим на начальных стадиях развития культур - в период прорастания семян. В таблице 1.5 приведены минимальные температуры почвы, необходимые для прорастания и оптимальные температуры для появления всходов для различных культур.

Таблица 1.5 – Минимальные и оптимальные температуры прорастания семян различных культур

Культура

Минимальная температура для прорастания, °С

Оптимальная температура появления всходов, °С

Пшеница

1-2

12-15

Ячмень

1-2

14-18

Овес

1-2

14-15

Рожь

1-2

8-12

Картофель

5-8

15-20

Горох

1-6

16-20

Фасоль

6-14

20-25

Морковь

4-5

15-19

Свекла

8

10-11

Капуста

2-3

18-20

Сроки посевов определяются исходя из оптимальной температуры появления всходов и агроклиматических условий территории возделывания. Обычно в практике посев сельскохозяйственных культур начинают, когда почва становится физически спелой, а температура на глубине заделки семян устанавливается в пределах от температуры на 2-3°С выше минимальной температуры, необходимой для прорастания до оптимальной температуры появления всходов. Эта температура прогрева почвы td, при достижении которой осуществляется посев, меняется в зависимости от климатической зоны возделывания. Поэтому рекомендуемый срок сева каждой культуры для различных районов устанавливается опытным путем.

Для зерновых культур, возделываемых на территории Иркутской области, значение td колеблется от 6 до 12C, в зависимости от климатической зоны [11].

Продолжительность периода, благоприятного для вегетации сельскохозяйственных культур, для разных зон области неодинакова. Очевидно, что на территории с более высокими средними температурами дата прогрева почвы до температуры, благоприятной для формирования всходов, будет более ранней, чем на территории с более низкими температурами. С другой стороны, продолжительность вегетационного периода сельскохозяйственных культур одного сорта примерно одинакова для всей территории Иркутской области. Поэтому для южных районов региона, с более теплым климатом, в качестве рекомендуемой даты посева (обозначим как Ti, где i – год) используется в основном дата прогрева почвы до 10-12ºС, а в северных – дата прогрева до 6-8ºС [25].

Даты начала внесения удобрений и культивации совпадают с датой посева, так как они осуществляются либо одновременно с ним (в первом случае), либо непосредственно перед ним (во втором случае).

Дата начала операции прикатывания устанавливается на 1-2 дня позже даты посева, а дата боронования до всходов - на 3-5 дней позже её.

Таким образом, среди всех дат технологических операций количественным критерием (прогрев почвы до определенной температуры td) обладают только даты начала посева.

В связи с значительной изменчивостью природно-климатических условий Иркутской области интерес вызывает возможность заблаговременного определения рекомендуемой даты посева Ti с помощью моделей зависимости относительных дат прогрева почвы от агроклиматических факторов, общий вид которых описан в разделе 1.2.

При исследовании изменчивости рекомендуемой даты посева зерновых культур в качестве результативного признака применялась относительная дата прогрева почвы на глубине заделки семян до некоторой температуры td.

Для всестороннего анализа зависимости результативного признака и факторов необходимы данные пунктов наблюдений с разными природно-климатическими зонами и развитым зерновым производством.

Сельскохозяйственные угодья Иркутской области расположены в трех природно-географических зонах: подтаежно-таежной, лесостепной и степной. Внутри зон по комплексу подзональных признаков и особенностям почвенно-климатических условий выделено 8 агроландшафтных районов [85].

В качестве исходных данных для реализации сформулированной в разделе 1.2 задачи прогнозирования сроков посева использованы агрометеорологические сведения трех пунктов наблюдений региона, находящихся в разных агроландшафтных районах: юго-восточном лесостепном (г. Иркутск, г. Усолье-Сибирское) и центральном лесостепном (г. Тулун).

Юго-восточный лесостепной район является самым благоприятным районом региона для возделывания зерновых культур по комплексу гидротермических и почвенных условий.

Центральный лесостепной район является умеренно-теплым и умеренно-влажным. Природные условия способствуют производству зерновых культур [85].

Для исследования влияния агроклиматических факторов на рекомендуемые даты посева использовались следующие данные по выбранным пунктам наблюдений за 1987-2012 гг.:

- даты прогрева почвы на глубине 5 и 10 см до температуры 6, 8, 10 и 12ºC;

- средние, минимальные и максимальные суточные температуры воздуха за весенний период (апрель - май);

- температура почвы на глубине 5 и 10 см за весенний период;

- суточные осадки за весенний период;

- даты перехода среднесуточной температуры воздуха через 0ºC;

- даты начала безморозного периода;

- продолжительность безморозного периода;

- урожайность зерновых культур.

Рекомендуемые даты посева для данных пунктов за многолетний период колеблются в значительной степени.

В связи с отсутствием данных о температуре почвы на глубине 5 см за некоторые годы, актуальной является задача восстановления этих значений. Предложено восстанавливать их двумя способами: по пунктам-аналогам и данным о температуре воздуха за параллельные периоды.

Так как прогрев почвы на территории возделывания каждый год происходит по-разному, предложено рассматривать два варианта прогрева: устойчивый и с резкими колебаниями. При этом для каждого случая предусмотрены соответствующие модели расчета даты посева. Такой подход позволил улучшить качество прогнозирования для модели описывающей устойчивый прогрев.

Для решения задачи оптимизации структуры посевов с учетом своевременности посева необходимы следующие данные по сельскохозяйственному предприятию:

- список культур (и их групп) планируемых для возделывания;

- удельные трудовые и материальные затраты на возделывание 1 га каждой из культур по группам операций (посевные, уход за посевами, уборочные);

- минимальное необходимое количество продукции каждой из культур;

- максимальное количество трудовых и материальных ресурсов отведенных на каждую группу операций.

При решении задач оптимизации структуры производства сельскохозяйственной продукции, описанных в разделе 1.2, дополнительно необходимы значения коэффициентов влияния сроков посева на различные параметры производства: урожайность, материальные и трудовые затраты, для задачи с детерминированными параметрами, а также их верхние и нижние границы, для задачи с интервальными оценками. Предлагается в качестве таковых использовать экспертные оценки, осуществленные агрономом или группой агрономов.

1.4 Информационные системы управления производственными процессами

Применение информационных технологий в аграрной сфере напрямую связано с общим уровнем состояния экономики страны. Создание системы государственного информационного обеспечения в сфере сельского хозяйства является одной из приоритетных целей Концепции социально-экономического развития Иркутской области на период до 2020 года [15].

Рассмотрим структуру информационного обеспечения сельскохозяйственного производства региона. В источнике [5] встречается трехуровневая схема иерархии информационных систем сельского хозяйства региона. На рисунке 1.4 показана преобразованная схема применительно к Иркутской области.

Рисунок 1.4 Структура информационного обеспечения сельскохозяйственного производства региона

Первый уровень представляет собой информационные системы (ИС) области. Здесь содержатся базы данных по площади и составу почв сельскохозяйственных угодий, специализации сельскохозяйственных предприятий, по формам и параметрам этих предприятий, сведениям о наличии и потребности в кадрах, ресурсах и т.п. Эти системы должны иметь выход на информационно-маркетинговые системы области, региона, России.

Второй уровень – это ИС для районных управлений сельского хозяйства. Они служат для размещения сельскохозяйственных производств по хозяйствам районов.

Последний уровень иерархической схемы - ИС по отраслям сельского хозяйства. Для предприятий агропромышленного комплекса (АПК) в качестве функциональных отраслей выступают, как правило, растениеводство, животноводство, переработка, снабжение и сбыт. Отраслевые ИС включают в себя базы данных и знаний, формируемые по типовым и разрабатываемым технологиям. Например, в ИС по животноводству входят блоки по содержанию и кормлению животных, селекции, ветеринарному обеспечению, механизации и автоматизации технологических процессов, переработке, транспортировки и хранении продукции животноводства.  Аналогичные  информационные системы создаются по растениеводству [7]. В областях переработки и сбыта используются  ИС управления переработкой и ИС анализа снабжения и сбыта сельскохозяйственной продукции.

Существует множество классификаций информационных систем управления предприятием. В соответствии с уровнями управления предприятием можно привести следующую их классификацию (рисунок 1.5).

Системы стратегического управления обеспечивают поддержку функций управления на стратегическом уровне (в большей части — анализ, планирование и контроль). Примерами информационных систем стратегического управления являются системы CORPORATE PLANNER, системы Balanced Scorecard различных производителей и др. Разбиение систем данной категории на классы осуществляется в зависимости от глубины реализации в системах указанных функций управления: анализа, планирования, контроля.

Рисунок 1.5 Классификация информационных систем управления

Системы среднесрочного управления еще называются системами управления эффективностью бизнеса (BPM — Business Performance Management, или Corporate Performance Management). К ним относятся как специализированные системы бюджетного планирования, контроля и управления по отклонениям, так и инструменты класса «Инталев-бюджетирование». Эти системы обеспечивают создание многомерных взаимосвязанных бюджетов (операционных и финансовых), анализ, планирование, привязку стратегических показателей к операционным, контроль, факторный анализ отклонений. Системы управления реального времени являются узко специализированными и, как правило, включают в себя некоторую аппаратную составляющую (датчики и устройства передачи данных) и аналитическое программное обеспечение, позволяющее задавать параметры и допустимые отклонения управляемого процесса, контролировать его ход, анализировать отклонения и выполнять управляющее воздействие при отклонении процесса от заданных параметров.

Системы операционного управления предназначены поддерживать операционное и оперативное управление предприятием. К ним относится большинство представленных на рынке России информационных систем — как западных разработок (SAP R/3, Oracle Applications, BAAN, SyteLine ERP, MFG PRO, IRenaissance, IFS и др.), так и систем российских («Галактика», «Парус» и др.) и отечественных разработчиков («ИТ-Предприятие», BS Intergator, «Программные системы развития» и др.). Сюда же входят программы бухгалтерского учета (1С и т. д.).

Планирование агротехнологических операций относится к оперативному (операционному) уровню управления, так как охватывает ближайший производственный цикл производства продукции растениеводства - от весенних подготовительных операций перед посевом до получения урожая. Именно на этот период рассчитывается технологическая карта.

Ранее рассмотрено управление как универсальная задача любого бизнеса, состоящая из функций анализа, планирования, организации выполнения, учета и контроля. Аналогично категориям стратегического и среднесрочного управления, одной из характеристик для классификации систем операционного управления является реализация или нереализация в системах тех или иных функций управления.

Помимо иерархии уровней управления, рассмотренной выше, бизнес-задачи предприятия могут быть классифицированы в зависимости от функциональных областей управления. К таким функциональным областям относятся управление маркетингом, продажами, закупками, финансами, производством, материальными и людскими ресурсами, разработкой продукта/услуги, сервисным обслуживанием, информационными ресурсами.

В зависимости от вида бизнеса комбинации функциональных областей управления могут варьироваться. Для производственной компании в обязательном порядке будет управление производством — в то время как для торговых компаний или компаний обслуживающих (телекоммуникационных, энергетических, тепло- и газоснабжения) область управления производством предусмотрена не будет, зато может присутствовать, к примеру, управление дистрибуцией для торговых компаний или управление техническим обслуживанием и ремонтами собственного оборудования для телекоммуникационных, энергетических и т.п. В зависимости от типа продукции, производимой компанией, также будет присутствовать или отсутствовать функциональная область управления сервисным обслуживанием. Собственно сформированные комбинации функциональных областей определяют дальнейшее деление классов на виды.

Для решения задачи классификации все поле управления предприятием, образованное функциональными областями управления, следует разбить на функции управления: анализ, планирование, организация выполнения, учета и контроля (рисунок 1.6).

Рисунок 1.6 Функции управления и функциональные области

Полученная «матрица» позволит любому предприятию четко провести классификацию систем с позиции собственного бизнеса и собственных бизнес-задач.

Применительно к управлению агротехнологическими операциями растениеводческой отрасли можно выделить следующие основные функциональные области: управление производством, управление материальными ресурсами и управление человеческими ресурсами.

Информационные системы бухгалтерского учета реализуют функции учета в области управления финансами и, частично, в области управления материальными ресурсами, делая при этом акцент на финансовой стороне факта хозяйственной деятельности. Для реализации учета материальных ресурсов в натуральных показателях в бухгалтерских системах требуется выполнение дополнительных манипуляций: введение внебалансовых счетов и т. д.

Системы управленческого учета обеспечивают реализацию функции учета в остальных функциональных областях, причем существенным их отличием от бухгалтерских систем является учет фактов хозяйственной деятельности, в первую очередь, в натуральных показателях и, там где это необходимо, также в финансовых.

Поддержка полностью всех функций управления во всех функциональных областях управления возможна только в системах ERP, и это должна быть действительно реализованная функция планирования, контроля, анализа [56].

Существует класс специализированных информационных систем, которые выполняют различный набор функций в зависимости от поставленных целей.

Для управления агротехнологическими операциями (расчета технологических карт растениеводства), в соответствии с выше предложенной классификацией, необходимо использование информационных систем с функцией планирования в области управления производством, материальными и человеческими ресурсами.

Для расчета технологических карт производства растениеводческой продукции используются множество информационных систем. Все они обладают различными функциональными возможностями. Выделим некоторые из них.

Среди современных отечественных разработок выделим конфигурацию «АдептИС: Сводное планирование в сельском хозяйстве» для «1С: Предприятие 8.0». Система предназначена для автоматизации работы агротехнологов и экономистов сельскохозяйственных организаций. Конфигурация  «АдептИС: Сводное планирование в сельском хозяйстве» позволяет осуществлять агротехническое планирование, рассчитывать плановую себестоимость продукции сельского хозяйства и анализировать структуры возникающих затрат. Она содержит в себе справочник агротехнолога, обеспечивающий информационную поддержку деятельности агрономов и зоотехников. Основой планирования себестоимости продукции является заполнение технологических карт. Кроме того, с помощью конфигурации решаются сопутствующие задачи планирования (оптимальный подбор состава удобрений для внесения в почвы указанных типов, расчет рациона кормления животных или состава комбикорма и др.).

Среди программных комплексов в области растениеводства также можно выделить географическую информационную систему (ГИС) «Панорама АГРО». ГИС «Панорама АГРО» предназначена для автоматизации управления сельскохозяйственным предприятием в отрасли растениеводства и является одним из составляющих элементов комплексной технологии производства сельскохозяйственной продукции на основе GPS навигации технических средств.

Система состоит из трех блоков аппаратно-программных средств:

- мобильный блок (бортовое оборудование объектов мониторинга);

- серверный блок (центр сбора данных);

- клиентский блок (рабочее место оператора системы).

Геоинформационная система «Панорама АГРО» позволяет вести базы нормативно-справочной документации, осуществлять учет сельскохозяйственных угодий с привязкой к карте, вести агрохимический мониторинг сельскохозяйственных угодий, обрабатывать навигационные данные и контролировать перемещение техники, осуществлять планирование и учет фактических работ.

Ученые Сибирского региона также внесли свой вклад в разработку и внедрение новых информационных технологий в процессы селекции и производство продукции растениеводства.

Из современных разработок сибирского региона можно выделить ИС «АРМ Агронома-Землеустроителя», созданную в ГНУ СибФТИ СО РАСХН. Система позволяет оценивать продуктивность почв и рабочих участков, осуществлять типизацию земель, рассчитывать оптимальное размещение культуры на основе оценки рабочих участков, формировать севообороты и размещать их на территории землепользования, рассчитывать продуктивность севооборотов и их эффективности с учетом технологических затрат, создавать севооборот с учетом заказа на производство продукции для животноводства. Особенности «АРМ Агронома-Землеустроителя» заключаются в автоматизации подбора оптимального севооборота по типам земель и разработке адаптивно-ландшафтной системы земледелия для конкретного хозяйства.

Предназначение АРМ с использованием ГИС-технологий - разработка адаптивно-ландшафтной системы земледелия для конкретного хозяйства.

Адаптивно-ландшафтная система земледелия — представляет собой сложный комплекс экологически безопасных технологий производства растениеводческой продукции и воспроизводства плодородия почвы, обеспечивающих агрономическую и экономическую эффективность использования агроландшафтов конкретного хозяйства на основе агроэкологической группировки земель.

Из ИС, разрабатываемых в Иркутской области, выделим автоматизированную информационную систему по первичному производственному учету в растениеводстве на основе использования геоинформационных технологий «Хозяйство». Разработка данной системы ведется Министерством сельского хозяйства Иркутской области. Система предназначена для использования в работе учетчика работ (диспетчера), агронома, инженера, экономиста и руководителя. ИС «Хозяйство» позволяет: 1) распределять технику и персонал для выполнения работ, предусмотренных технологическими картами или рабочим планом; 2) выполнять фактический учет объемов работ, использования рабочего времени, фактических временных затрат, сроков выполнения работ, начисления заработной платы; 3) осуществлять анализ и устранение причин неэффективного использования техники и рабочего времени; 4) производить фактическое нормирование работ; 5) использовать элементы точного земледелия и т.д. Особенностью данного программного комплекса является комплексный подход к процессу производства сельскохозяйственной продукции [11].

Описанные выше информационные системы позволяют рассчитывать технологические карты для каждой культуры (или группы культур) в соответствии с принятой на предприятии технологии возделывания. В качестве показателей использующихся для расчета параметров технологических используются в основном справочная информация и усредненные данные за многолетний период. Между тем, интерес вызывает возможность оценки и прогнозирования этих параметров на текущий год,  в зависимости от почвенно-климатических условий конкретного года. Одними из наиболее значимых параметров в планировании растениеводческой продукции являются сроки проведения технологических операций.  Однако рассмотренные информационные системы не позволяют производить оценку и прогнозирование таких сроков, поэтому целесообразно создание алгоритма прогнозирования сроков агротехнологических операций на основе рассмотренных выше методов математического моделирования. Основой для алгоритма прогнозирования этих показателей будут являться однофакторные и многофакторные линейные и нелинейные регрессионные модели зависимости дат посева от различных агроклиматических показателей, влияющих на возделывание сельскохозяйственных культур.

Технологические карты являются основой планирования сельскохозяйственного производства, определение которого можно строить на основе моделей математического программирования. Для решения задач оптимизации применимы различные программные продукты: MATLAB, GAMS, MS Excel и др. Программа MATLAB является мощным инструментом для математического моделирования и реализует большое количество функций для анализа данных и решения задач  математического программирования.  

Система GAMS предназначена для моделирования и решения линейных, нелинейных задач оптимизации и задач целочисленного программирования. Система спроектирована для сложных, крупномасштабных приложений моделирования и позволяет пользователю строить большие базовые модели, которые могут быть приспособлены к новым ситуациям [112].

Кроме того, задачи математического программирования можно решать с помощью MS Excel, которое имеет широкое распространение и отличается простотой и удобством использования, поэтому для решения задач оптимизации агротехнологических операций использован этот программный продукт.

Разработка программного комплекса, основанного на описанных моделях прогнозирования сроков возделывания сельскохозяйственных культур и планирования агротехнологических операций, позволит автоматизировать процесс получения дат начала работ по технологической карте, на основе фактических данных о параметрах производства и условий окружающей среды, и составлять оптимальные планы производства для различных ситуаций посева. Результаты прогнозирования можно передавать в другие программные комплексы для составления технологических карт и карт пространственного распределения дат начала операций.


2 МОДЕЛИ ПРОГНОЗИРОВАНИЯ СРОКОВ АГРОТЕХНОЛОГИЧЕСКИХ ОПЕРАЦИЙ ДЛЯ УПРАВЛЕНИЯ ПРОИЗВОДСТВОМ

2.1 Изменчивость сроков технологических операций 

Согласно разделу 1.3 среди всех дат технологических операций количественным критерием (прогрев почвы до определенной температуры td) обладают только даты начала посева. Даты остальных операций связаны с этой датой.

Колебание рекомендуемых дат посевов Ti для предприятий АПК региона за многолетний период может быть значительным, начиная от 2-3 декады апреля и заканчивая 1-2 декадой июня. По данным температур почвы в Иркутске максимальный разброс рекомендуемых дат за 1989–2011 гг. составляет от 17 до 20 дней, в зависимости от температуры td (таблица 2.1). 

Таблица 2.1 – Даты прогрева почвы на глубине 5 см в г. Иркутск за 1989 - 2011 гг.

Годы

Дата прогрева почвы на глубине 5 см

Годы

Дата прогрева почвы на глубине 5 см

до 10°C

до 12°C

до 10°C

до 12°C

1989

2 мая

13 мая

2000

5 мая

5 мая

1990

3 мая

5 мая

2001

9 мая

10 мая

1991

8 мая

10 мая

2002

7 мая

10 мая

1992

13 мая

13 мая

2003

5 мая

12 мая

1993

4 мая

8 мая

2004

11 мая

11 мая

1994

3 мая

4 мая

2005

11 мая

12 мая

1995

6 мая

13 мая

2006

13 мая

14 мая

1996

10 мая

11 мая

2007

28 апреля

28 апреля

1997

24 апреля

30 апреля

2008

10 мая

11 мая

1998

1 мая

2 мая

2009

25 апреля

27 апреля

1999

3 мая

4 мая

2010

1 мая

17 мая

2011

8 мая

13 мая

На рисунке 2.1 приведено колебание дат прогрева почвы на глубине 5 см до различных td для этого пункта наблюдений.

Рисунок 2.1 – Колебание дат прогрева почвы на глубине 5 см до различных td в г. Иркутск за 1989 – 2011 гг.

Для оценки закономерности изменчивости дат прогрева почвы приведен статистический анализ ряда их значений. В расчетах использовались относительный показатель даты прогрева:

,       (2.1)

где  – ежегодная дата с температурой прогрева почвы на глубине заделки до td,  – дата, предшествующая 5 дням самой ранней дате прогрева почвы за многолетний период M. Проведена статистическая оценка временных рядов относительных дат прогрева почвы до 10°С и 12°С (y1 и y2), на основе  которых приведены основные статистические параметры (таблица 2.5).

Согласно значениям первых коэффициентов автокорреляции можно сделать вывод, что ряды относительных дат прогрева почвы случайны.

Помимо оценки на случайность построены различные тренды для исходных рядов y1 и y2. Все они обладают очень низкой точностью аппроксимации, коэффициент детерминации R2 близок к нулю. В связи с этим можно сделать вывод об отсутствии тренда для yi.

Таблица 2.2 – Основные статистические показатели рядов дат прогрева почвы по Иркутску за 1987-2011 гг.

Показатели

Относительная дата прогрева почвы до 10°С, y1

Относительная дата прогрева почвы до 12°С, y2

Среднее

11,29

13,76

Стандартная ошибка

1,18

1,15

Стандартное отклонение

5,41

5,25

Дисперсия выборки

29,31

27,59

Эксцесс

-0,27

-0,62

Асимметричность Cs

-0,52

-0,77

Коэф. вариации Cv

0,48

0,49

1-й коэффициент автокорреляции

-0,07

-0,05

Так как ряды относительных дат прогрева почвы являются случайными, для оценки их изменчивости определяют закон распределения вероятности. Для оценки соответствия закона распределения эмпирическим данным в практике используются различные критерии согласия, такие как критерий Колмогорова, ХИ-квадрат и другие.

На основе данных по Иркутску за 1989-2011 гг. построены эмпирические функции распределения дат прогрева почвы до 10°C и 12°C (рисунок 2.2).

а) прогрев до 10°C           б) прогрев до 12°C 

Рисунок 2.2 - Эмпирическая функция и закон гамма-распределения рядов относительных дат прогрева почвы по Иркутску за 1989-2011 гг.

На основе критерия согласия Колмогорова выявлено соответствие исходных рядов закону гамма-распределения (Cv1=0,48, Cv2=0,49, Cs1=-0,52, Cs2=-0,77).

Рассмотрим колебание температуры почвы на глубине 5 см, непосредственно влияющей на даты посева. Динамика прогрева почвы весной (апрель - май) для некоторой зоны региона по разным годам неодинакова (рисунок 2.3).

 

Рисунок 2.3 – Тенденции прогрева почвы по данным Иркутска

На рисунке 2.3 показаны две ситуации прогрева почвы: с наличием значимого однонаправленного тренда (устойчивый прогрев) и его отсутствием (резкие колебания ts). В первом случае определение даты прогрева не вызывает таких затруднений как во втором. Между тем следует помнить, что в реальных условиях неизвестно изменение температуры почвы в будущем. Здесь можно ориентироваться на прогностические значения, реализация которых отличается невысокой точностью [4].

Одним из способов прогнозирования температуры почвы является использование автокорреляционных связей, имеющих место в рядах ежедневной температуры почв. На рисунке 2.4 показаны различные коррелограммы по данным Иркутска за многолетний период: усредненная, убывающая и волнообразная.  

Рисунок 2.4 – Коррелограммы рядов температур прогрева почвы по Иркутску за 1989-2011 гг.

Наибольшими значениями обладают первые коэффициенты автокорреляционной функции, однако, их точность не всегда позволяет создавать качественные авторегрессионные модели для прогнозирования температуры почвы даже с упреждением в одни сутки. Тем не менее, такой подход применим для уточнения прогноза осуществляемого с помощью других методов.

Таким образом, все даты операций по технологической карте можно привязать к трём ключевым датам: закрытие влаги, посев и уборка. Количественным критерием, который можно оценить обладают только даты начала посевов - прогрев почвы на глубине заделки до некоторой необходимой температуры td. По дате посева можно определить даты последующих операций, связанных с обработкой посевов, а также оценить дату уборки культуры, исходя из средней продолжительности вегетационного периода сорта культуры.

Анализ рядов дат прогрева почв показал, что эти ряды являются случайными и их распределение соответствует закону гамма распределения.

На основе анализа динамики прогрева почвы весной выявлены различные виды прогрева: с наличием тренда и без него. Отсутствие высоких значимых внутрирядных связей в рядах температур почвы свидетельствует о неэффективности автокорреляционных методов для прогнозирования этих рядов.

2.2 Факторы, влияющие на сроки технологических операций

К основным факторам, влияющим на производство сельскохозяйственной продукции (в частности растениеводства) относят агрономические и климатические показатели, непосредственно воздействующие на состояние почв.

Агрономические показатели характеризуют неоднородность отдельных участков полей по агрохимическим (содержанию азота, калия, фосфора и других минеральных веществ) и биохимическим показателям (плодородию, содержанию гумуса и т.д.).

Климатические показатели характеризуют тепло- и влагообеспеченность почв. Возделывание сельскохозяйственных культур при оптимальных для культуры показателях тепла и увлажнения позволяют повысить как качество, так и объем растениеводческой продукции в целом. Вместе с тем, агроклиматические явления экстремального характера (засуха, заморозки, наводнения и др.) могут наносить большой ущерб урожаю посевных культур.

Влияние агроклиматических факторов на возделывание сельскохозяйственных культур рассмотрено во многих работах [24, 25, 66, 86 и др.]. Научные труды [24, 66, 86 и др.] посвящены изучению зависимости урожайности сельскохозяйственных культур от почвенно-климатических ресурсов.

К числу первых работ по количественной характеристике влияния климата на урожай сельскохозяйственных культур следует отнести исследования П.И. Колоскова и В.М. Обухова [24]. Впервые в мировой науке (1949 г.) Обухов применил метод множественной корреляции при изучении динамики и колебания урожаев. Ему удалось статистическими методами вычислить роль осадков и температур на разных фазах развития хлебов.

В работах С.А. Сапожниковой, М.И. Мель, В.А. Смирновой, А.Т. Никифоровой сделана попытка увязать урожай с ГТК (гидротермический коэффициент по Г.Т. Селянинову), подсчитанным за основную часть вегетационного периода. Ими получен коэффициент корреляции урожаев с ГТК за ноябрь — июнь, равный 0,74, за апрель — июнь, равный 0,69.

В работах Ф.З. Батталова,  П.И. Колоскова, В.М. Обухова введено понятие сельскохозяйственной продуктивности климата, как комплексной характеристике метеорологических факторов, положительно влияющих на рост и развитие растений, разработана методика ее определения и оценены ее значения для каждого экономического района страны. Оценка сельскохозяйственной продуктивности климата проводится за период от даты перехода температуры через 10°С весной до даты перехода температуры через 10°С осенью. Это совпадет с наиболее активным периодом вегетации всех основных сельскохозяйственных культур [24].

Основными характеристиками, входящими в расчеты сельскохозяйственной продуктивности климата, являются, влагообеспеченность, теплообеспеченность и данные об урожайности яровой пшеницы.

Достаточно простой и доступный комплексный метод определения сельскохозяйственной продуктивности климата до сих пор не разработан [24].

Автором работы [24] на основе данных, опубликованных в Справочниках по климату СССР и полученных от гидрометеорологических обсерваторий Госкомгидрометаза период 7-15 лет (1951 – 1967 гг.), получена формула зависимости урожая от увлажнения, температуры воздуха, дефицита влажности и других факторов. При определении сельскохозяйственной продуктивности климата использовались 14 видов климатических данных.

В ходе исследований получены следующие основные результаты: средний коэффициент корреляции между урожаем и метеорологическими данными для района равен 0,81, а для группы соседних районов 0,77; в южных районах, юго-восточных и восточных районах страны, где осадки распределяются более равномерно, чем в западных районах, получается хорошая связь между урожаем и метеорологическими факторами, и эта связь распространяется на значительные расстояния: на несколько сотен километров.

В работах А.Р. Константинова, Е.К. Зоидзе, С.И. Смирнова и др. много места уделено вопросам вычисления и использования данных о влажности почвы для сельскохозяйственных целей, а также установлению зависимости между гидрометеорологическими и климатическими данными и урожаем сельскохозяйственных культур. Большое значение он придавал также учету плодородия почв [66].

В работах А.Т. Белозорова [25] рассмотрена зависимость урожайности зерновых культур от сроков их посева на территории Иркутской области. Согласно [25] наиболее благоприятный период для роста и развития растений создаётся при среднесуточной температуре выше 15°C. Этот период по средним многолетним данным в большинстве сельскохозяйственных районов длится около двух месяцев.

Опыты по изучению агротехники скороспелых сортов пшеницы, начатые на Баяндаевской сельскохозяйственной опытной станции в 1947 году А.А. Баертуевым и продолженные в 1948—1949 году И.И. Коробцовым, имевшие целью определить наилучшие сроки сева и нормы высева отдельно для позднеспелых и скороспелых сортов, с учётом их биологических особенностей, дали следующий результат: позднеспелые сорта нужно высевать всегда раньше раннеспелых.

В работе [25] изучено влияние сроков посева на урожайность зерновых культур, приведены рекомендации по этим срокам в зависимости от скороспелости сорта и климатических условий районов Иркутской области. Однако многолетние колебания почвенно-климатических факторов на территории одного хозяйства или района могут быть значительными. Для культур одного сорта, посев которых осуществлён в одинаковый срок и на одной территории, но в разные годы, урожайность может сильно отличаться.

Несмотря на обилие материалов в агроклиматологии, посвященных воздействию почвенно-климатических и погодных факторов на развитие сельскохозяйственных культур, недостаточное внимание уделено влиянию природных факторов на сроки их возделывания.

В работе [13] рассмотрено влияние некоторых агроклиматических показателей на сроки начала посевных операций.

С помощью корреляционного анализа выявлена взаимосвязь рекомендуемой даты посева зерновых культур Ti (дат прогрева почвы на глубине 5 см до 12º C) от показателей тепла и увлажнения.

Для выявления значимых связей рассматривалось влияние на дату прогрева почвы yi следующих факторов:

  •  сумма среднесуточных температур воздуха за предшествующие ранней дате периоды;
  •  сумма суточных осадков за предшествующие ранней дате периоды;
  •  продолжительность безморозного периода;
  •  дата начала безморозного периода;
  •  дата перехода среднесуточной температуры воздуха через 0°С и другие.

При этом применялись данные метеорологических ежемесячников по пункту наблюдения Иркутск за 2004-2011 гг. В расчетах использовались относительные показатели дат – разности этих дат и самых ранних дат по каждой характеристике.

На рисунке 2.5 показаны расчетные даты и периоды, по которым суммируются параметры температуры и осадков. В качестве продолжительности периодов k оценки параметров используется периоды, принятые в агроклиматологии, кратные декадам – 10, 20 и 30.

Рисунок 2.5 – Схема расположения расчетных дат и периодов на оси времени

В результате анализа выявлена дата самого раннего прогревания почвы до 12ºС за рассматриваемый многолетний период  – 4 мая. Эта дата используется в расчетах как начальная Tn. Показатели сумм среднесуточных температур и осадков берутся за последние 30, 20 и 10 дней до этой даты: - сумма среднесуточных температур за период k суток до начальной даты n, - сумма осадков  за период k  суток до начальной даты n, k =30, 20, 10.

В ходе эксперимента построена матрица парных коэффициентов корреляции рассматриваемых факторов и дат (приложение 3) и получены следующие основные выводы:

- выявлены сильные связи между показателями даты прогревания почвы на глубине 5 см до 12ºС и суммой среднесуточных температур за предшествующие 30, 20 и 10 суток до даты посевов (= -0,83, = -0,88, = -0,83);

- связь разной силы наблюдалась и между суммой осадков за определенный период от рекомендуемой даты посевов (=0,64, =0,77,  =0,88);

- слабые связи рекомендуемой даты проявляется с показателями дат перехода среднесуточной температуры через 0ºС и дат начала безморозного периода:  =0,62,  =0,47;

- связи практически не наблюдались между средней относительной влажностью воздуха, скоростью ветра и рекомендуемой датой посева.

Таким образом, наибольшее влияние на даты посева сельскохозяйственных культур оказывают суммы среднесуточных температур воздуха за предшествующие дате посева периоды. Влияние сумм осадков значимо, однако, имеет меньшую силу, и может рассматриваться как дополнительный фактор совместно с суммами температур.

Для оценки изменчивости факторов, влияющих на даты посева, проведен статистический анализ: сумм среднесуточных температур x1 и сумм осадков x2 за период с 1апреля по 1 мая с 1989 по 2011 гг. В таблице 2.3 приведены основные статистические показатели этих рядов.

Первые коэффициенты автокорреляции для исходных рядов факторов близки к нулю, что свидетельствует об отсутствии в них значимых внутрирядных связей.

Кроме того, проведена вероятностная оценка факторов x1 и x2. На основе критерия Колмогорова выявлено соответствие вариации суммы среднесуточных температур воздуха по Иркутску за последние 25 лет нормальному закону распределения (Cv=0,19, Cs=0,3).

Таблица 2.3 – Основные статистические показатели рядов сумм температур и осадков по г. Иркутск за 1989 – 2011 гг.

Показатели

Сумма средне-суточных температур воздуха, x1

Сумма суточных осадков, x2

Среднее

132,43

10,32

Стандартная ошибка

5,37

2,12

Стандартное отклонение

24,60

9,71

Дисперсия выборки

604,97

94,23

Эксцесс

-0,66

2,03

Асимметричность Cs

0,30

1,37

Коэф. вариации Cv

0,19

0,94

1-й коэффициент автокорреляции

0,04

-0,24

На рисунке 2.6 показаны эмпирические функции и нормальные законы распределения ряда суточных температур по Иркутску, Усолью-Сибирскому и Тулуну за 1987-2011 гг.

а) Иркутск          б) Усолье-Сибирское

в) Тулун

Рисунок 2.6 - Эмпирические функции и нормальные законы распределения рядов среднесуточных температур воздуха за 1989-2011 гг.

Выявлено соответствие распределения сумм суточных осадков экспоненциальному закону (Cv=0,94, Cs=1,37). На рисунке 2.7 показаны эмпирическая функция и экспоненциальный закон их распределения по Тулуну.

Рисунок 2.7 - Эмпирическая функция и экспоненциальный закон распределения ряда суточных осадков по Тулуну за 1989-2011 гг.

Проведенная статистическая оценка временных рядов факторов x1 и x2 выявила, что эти показатели являются случайными и подчиняются нормальному закону распределения – для сумм среднесуточных температур и экспоненциальному закону – для сумм суточных осадков.

2.3 Регрессионные модели сроков технологических операций 

В разделе 2.2 с помощью методов корреляционного анализа выявлена взаимосвязь рекомендуемой даты посева зерновых культур от показателей тепла и увлажнения. К факторам, в наибольшей степени влияющим на даты посева, относят сумму среднесуточных температур и сумму осадков за предшествующие периоды k = Ty - T0, где T0 – начало, а Ty – окончание периода.

На рисунке 2.8 показаны расчетные даты и периоды, по которым суммируются параметры температуры и осадков.

Рисунок 2.8 – Схема расположения расчетных дат и периодов на оси времени

На схеме l – заблаговременность (количество дней от окончания периода оценки до рекомендуемой даты посева).  

Построены однофакторные и многофакторные линейные и нелинейные регрессионные модели, с помощью которых можно определить рекомендуемую дату посева, исходя из суммы среднесуточных температур и осадков за различные предшествующие периоды до даты самого раннего посева.

В качестве результативного признака (y) предложено использовать относительные даты прогрева почвы до рекомендуемой температуры (td) как разность между ежегодной датой прогрева почвы Ti и датой на 5 дней предшествующей самой ранней дате Ti за многолетний период: .

Для оценки начала периода для суммирования параметров тепла и увлажнения T0 применяется дата перехода среднесуточной температуры воздуха,  усредненной за многолетний период, через 0C. Рассматриваются разные продолжительности этого периода: от 7 до 20 суток и более. В день окончания периода и при наличии данных о сумме температур и осадков, возможен расчет даты посева Ti на текущий год.

Общий вид линейных уравнений регрессии выглядит следующим образом:

,     (2.2)

.                    (2.3)

Кроме того, рассматривались нелинейные регрессии следующего вида:

- полиномы второй степени

,     (2.4)

;                  (2.5)

- логарифмические уравнения

,     (2.6)

;    (2.7)

- степенные

;     (2.8)

- экспоненциальные

,      (2.9)

где y – результативный признак, a0, a1a5 – коэффициенты регрессии,  сумма средних температур воздуха ti за период k,  - сумма осадков qi за период k.

Качество полученных уравнений неодинаково и зависит от климатических условий конкретного года и территории возделывания, количества факторов, периода суммирования параметров тепла и увлажнения k, многолетней продолжительности и заданной температуры прогрева, благоприятной для посева. Другими словами, уравнения имеют разную точностью и адекватность и, следовательно, неодинаковую степень пригодности для прогнозирования.

Необходимо создание алгоритма определения оптимального(-ых) уравнения(-ий) регрессии для прогнозирования, в зависимости от исходных данных.

Для расчетов предлагается использовать значимые уравнения, отвечающие критериям адекватности и имеющие наибольшую точность.

Проверка значимости полученных регрессионных моделей и их коэффициентов осуществлялась с помощью F и t-критериев. Адекватность оценивалась с помощью анализа остатков ряда регрессии. Отсутствие автокорреляции в остатках проверялось с использованием первого коэффициента автокорреляции и теста Дарбина-Уотсона. Независимость остатков от значений факторов выявляется с помощью теста Голдфельда – Квандта. Точность уравнений оценивалось с помощью коэффициента детерминации и средней относительной ошибки.

Для вычисления даты посева применительно к аграрному предприятию на текущий год задача сводится к выбору такого периода суммирования параметров, при котором уравнение регрессии значимо, адекватно и имеет высокое значение коэффициента детерминации (или средней относительной ошибки) и достаточную заблаговременность прогноза l - время от даты, когда возможен прогноз до расчетной даты посева. При увеличении периода суммирования параметров возможно повышение точности уравнений в ущерб заблаговременности прогноза. Однако не всегда уравнения с большей продолжительностью этого периода точнее.

Согласно рекомендациям, приведенным в таблице 2.1, определив дату посева можно приблизительно определить даты других технологических операций: культивации, внесения удобрений, боронования до всходов и уборки. В частности, для приблизительной оценки даты уборки культуры можно воспользоваться формулой:

    (2.10)

где - дата уборки j-культуры в i-ом году, - дата посева j-культуры в i-ом году, - продолжительность вегетационного периода j-культуры с учетом экспертных оценок (таблица 1.4).

Таким образом, описаны регрессионные модели для прогнозирования дат посева на основе значимых связей между относительной датой прогрева почвы и факторами тепла и увлажнения за предшествующие периоды.

2.4 Алгоритмы прогнозирования сроков агротехнологических операций 

Разработано множество алгоритмов построения моделей прогнозирования рекомендуемых дат агротехнологических операций на основе корреляционно-регрессионного анализа. На рисунке 2.9 приведены признаки их классификации.

Рисунок 2.9 - Признаки классификации алгоритмов прогнозирования сроков агротехнологических операций

На основе приведенных алгоритмов можно получить модели прогнозирования сроков агротехнологических операций. В зависимости от природно-климатических особенностей территории возделывания, адекватными могут быть однофакторные или многофакторные уравнения регрессии. В однофакторных уравнениях в качестве фактора рассматривают обычно суммы среднесуточных температур воздуха. В многофакторных (двухфакторных) уравнениях в качестве дополнительного фактора наряду с суммой температур используют суммы осадков за предшествующие периоды. При этом в зависимости от исходных данных наибольшей точностью могут обладать как однофакторные так и многофакторные модели.

Для своевременного прогнозирования рекомендуемой даты посева при определении периода суммирования необходимо учитывать некоторую заблаговременность l. При этом для предприятия вполне достаточно 7-10 дней для своевременной и полноценной подготовки к посевным работам.

Согласно рисунку 2.8 периоды суммирования параметров k и заблаговременность l взаимосвязаны: чем больше k тем меньше l, при неизменных T0 и Ti.

В качестве заданной продолжительности периода k могут использоваться фиксированные значения, принятые в агроклиматологии, кратные 10 суткам. Однако не всегда связи, получаемые для этих периодов, являются наилучшими. При этом оптимальная заблаговременность l также может быть разной. Поэтому целесообразно использовать переменные продолжительности периодов оценки параметров k и l. Так, например, на основе данных Иркутска за 1989 – 2011 гг. оптимальная заблаговременность прогноза составила 9 суток. При этом k изменялось от 7 до 24, а l  - от 1 до 20 соответственно. Период суммирования показателей тепла и увлажнения составил 1-19 апреля. Расчетная дата посева на 2012 г. - 27 апреля.

Еще одним ключевым показателем при определении периода суммирования k является выбор её начальной даты T0. В ходе анализа выявлено, что при продолжительности периода k более чем 30 суток точность уравнений регрессии (2.2) и (2.3) значительно уменьшается, поэтому рассматривать более продолжительные периоды нецелесообразно. А, так как фактические даты посевов на территории региона в большинстве случаев находятся в первой декаде мая, в расчетах в качестве T0 использовалось 1 апреля, дата на месяц ранее даты большинства фактических посевов. Кроме того, чтобы максимально исключить отрицательные температуры при суммировании и при минимальном изменении периода k, предлагается использовать в качестве T0 – дату перехода среднесуточной температуры воздуха через 0ºС. Например, для Тулуна по данным за 2001-2011 гг. большую точность показало уравнение регрессии с T0 равным дате перехода через 0ºС (16 апреля), чем с T0 равным 1 апреля. Коэффициенты детерминации уравнений составили =0,47 и =0,44, а средние относительные ошибки 26,1% и 28,7% соответственно.

Значение при построении уравнений регрессии (2.2)–(2.9) имеет выбор рассматриваемого многолетнего периода M. В зависимости от ее продолжительности, коэффициенты уравнений регрессии могут изменяться, и точность их также может колебаться. При этом необязательно, что при большей продолжительности M, уравнения регрессии должны обладать большей точностью.

Для прогнозирования сроков технологических операций можно использовать, наряду с фактическими данными, прогнозные значения температур и осадков. Достоверность полученных результатов зависит от точности прогнозирования параметров тепла и увлажнения. Так, например, используя прогнозные данные на несколько дней вперед, увеличивается заблаговременность прогноза l в ущерб его точности.

Рассмотрим алгоритм определения сроков посевных операций с оптимальной заблаговременностью l, с заданной продолжительностью многолетнего периода M, без использования прогностических данных на основе многофакторного анализа.

Такой алгоритм позволяет строить модели прогнозирования с предварительным определением оптимальной заблаговременности прогноза при заданном многолетнем периоде. На рисунке 2.10 показана схема этого алгоритма. Обычно в качестве рассматриваемого многолетнего периода используются данные за 10 и более лет.

Согласно алгоритму в начале определяются даты начала и окончания периода суммирования параметров T0 и Tn и даты прогрева почвы Ti, далее поэтапно строятся ряды результативного признака y и факторов x1 и x2 для различных продолжительностей периода k. Затем определяются различные однофакторные и двухфакторные зависимости y от x1, y от x2 или y от x1 и x2, и осуществляется выбор значимых, адекватных и имеющих наибольшую точность моделей, которым соответствует расчетная заблаговременность lопт.

Рисунок 2.10 – Схема определения рекомендуемого срока посевов с оптимальной заблаговременностью

Выбор того или иного аналитического выражения связан с оценкой адекватности модели согласно анализу остатка ряда и точности по коэффициенту детерминации (или средней относительной ошибке аппроксимации). При выявлении детерминированной составляющей остатка ряда осуществляется уточнение модели регрессии и новое уравнение повторно оценивается на адекватность.

Алгоритм реализован для юго-восточного лесостепного (Иркутск, Усолье-Сибирское) и центрального лесостепного (Тулун) агроландшафтных районов региона. В таблице приведены предлагаемые линейные уравнения для всех трех пунктов и полученные прогностические даты прогрева почвы до рекомендуемой температуры на 2012 г. (таблица 2.4).

Таблица 2.4 – Результаты расчета рекомендуемых дат посева на 2012 г.

Пункт наблюдения

г. Иркутск

г. Усолье-Сибирское

г. Тулун

Температура прогрева почвы td

10ºС

8ºС

6ºС

Многолетний период M

1989-2009

1987-2011

1987-2011

Период суммирования параметров k

1-19 апреля

1-21 апреля

11-20 апреля

Оптимальная заблаговременность l

11 суток

8 суток

14 суток

Уравнение регрессии

Коэффициент детерминации R2

0,72

0,81

0,42

Рекомендуемая дата посева на 2012 г.

30 апреля

29 апреля

4 мая

Стандартное отклонение

2,7

2,3

2,2

Средняя относительная ошибка аппроксимации, %

16,8

13,2

30,1

В результате исследования выявлено, что в отличие от Иркутского и Усольского районов для Тулунского района более пригодны двухфакторные модели, однако, точность уравнений регрессии в большинстве случаев невысока (R2<0,5, Eотн>20%). Для Иркутска уравнения регрессии обладают большей точностью, если в качестве рекомендуемой температуры для посева td использовать 10C, для Усолье-Сибирского – 8C, а для Тулуна – 6C. Полученные значения для всех трех пунктов входят в диапазон температур, пригодных для посева зерновых культур.

При расчете учитывались различные значения периодов суммирования параметров k. Для расчета рекомендуемых дат использовались значимые и адекватные уравнения регрессии с наибольшей точностью согласно коэффициенту детерминации и средней относительной ошибке. Так, при статистической обработке данных г. Иркутск, k изменялось от 7 до 24. На рисунке 2.11 приведены результаты методики выбора.

Рисунок 2.11 – Значения коэффициентов детерминации в зависимости от продолжительности периода k

Согласно рисунку 2.11 при увеличении параметра k коэффициент детерминации уравнения сначала растет, достигает максимального значения при k=19 и постепенно уменьшается до R2=0,64 (при k=24). Коэффициент детерминации значительно ниже при k<13. Поэтому для продолжительности суммирования суточных температур и осадков целесообразно использовать  уравнения с k>13. При k=19 уравнение обладает максимальным значением коэффициента детерминации (R2=0,72) и заблаговременность при этом составит l=6 суток, что вполне приемлемо для  подготовки к посеву. Поэтому в качестве оптимального периода k использовалось именно это значение. При этом рекомендуемой датой посева зерновых в г. Иркутск на 2012 г. является 30 апреля. Расчётный период суммирования показателей тепла и увлажнения составил 1-19 апреля. При этом оптимальная заблаговременность прогноза составила 11 суток. Стандартное отклонение составило 2,7, а средняя относительная ошибка аппроксимации - 16,8%.

Рассмотренный выше алгоритм рассчитывает оптимальную заблаговременность прогнозирования l при заданном многолетнем периоде M.  В большинстве случаев, при наличии необходимого количества данных, прогноз на основе этого алгоритма точен и обладает достаточным значением заблаговременности. Однако наибольшей точностью могут обладать уравнения регрессии с малым значением заблаговременности l, не достаточным для своевременной подготовки техники и персонала к посеву. В этих случаях, при наличии многолетних данных за достаточно продолжительный период M (более 10 лет), предлагается использовать алгоритм прогнозирования сроков агротехнологических операций с заданной заблаговременностью и с расчетом оптимального многолетнего периода M. Общая схема этого алгоритма приведена на рисунке 2.12.

Согласно алгоритму после построения рядов относительных дат y строится множество уравнений регрессий для различных периодов M, которые постепенно увеличиваются, начиная от минимальной продолжительности, необходимой для построения регрессионной модели (например, M=6), до общей продолжительности, по которой имеются фактические данные. Продолжительность l устанавливается в соответствии с необходимым значением заблаговременности прогноза и остается неизменным. Для дальнейших расчетов используется(-ются) адекватные и значимые модель(-ли) с наибольшим(-ими) коэффициентом детерминации R2.

 Рисунок 2.12 – Схема определения рекомендуемых сроков посева с оптимальной продолжительностью периода M

Согласно этому алгоритму по г. Иркутск (рисунок 2.13), выявлено, что уравнения регрессии адекватны и обладают наибольшей точностью при рассматриваемом многолетнем периоде с 1989 по 1997 гг. (M=9), коэффициент детерминации при этом составляет R2=0,84. Рассматривались многолетние периоды M=8..20, начиная с 1989 по 1996 гг. и заканчивая с 1989 по 2009 гг. Период суммирования k составил 19 суток (с 1 апреля по 19 апреля).

Рисунок 2.13 – Зависимость коэффициента детерминации от многолетнего периода M 

Еще одним важным вопросом при расчете рекомендуемых дат посева является выбор критической температуры td. Так, для разных культур и климатических зон используются разные его значения. Интерес вызывает зависимость точности полученных уравнений регрессии от выбранной td.

Проведен анализ точности линейных уравнений регрессий для различных k и td по Иркутску и Усолье-Сибирскому (рисунок 2.14).

а) Иркутск

б) Усолье-Сибирское

Рисунок 2.14 – Значения коэффициентов детерминации в зависимости от продолжительности периода k и критической температуры td

В качестве многолетнего периода M взят период с 1990 по 2009 гг. Продолжительность периода суммирования параметров k менялась от 7 до 24 суток (от 1 – 7 апреля, до 1- 24 апреля). В ходе исследования выявлено, что по данным г. Иркутск наибольшей значением коэффициента детерминации обладают уравнения при td=10ºС (R2=0,78) и td=12ºС (R2=0,68). При td=6ºС и 8ºС коэффициент детерминации R2<0,5. Однако по данным Усолья-Сибирского напротив, наибольшее его значение наблюдалась при td=6ºС и 8ºС (R2=0,81). При td=10ºС его значение была ниже, а при td=12ºС уравнения показали очень низкое значение (R2<0,35).

Иркутск и Усолье-Сибирское относятся к одной центральной лесостепной агроландшафтной зоне. Для выявления зависимости точности уравнений регрессии от td в другой климатической зоне использовались данные по Тулуну. Для этого пункта характерна пригодность использования сумм осадков в качестве дополнительного параметра в уравнении регрессии зависимости дат посева от агроклиматических параметров, поэтому осуществлялись как однофакторный, так и двухфакторный линейные анализы (рисунок 2.15).

Проведенный многофакторный анализ по городу Тулун показал, что:

  •  уравнения не удовлетворяют критериям значимости, адекватности и обладают низкой точностью;
  •  наибольшую точность имеют уравнения при td=6ºС, а в остальных случаях точность уравнений неудовлетворительна;
  •  точность однофакторных уравнений выше при больших k, а двухфакторных - при меньших.

Таким образом, для Иркутска наибольшей точностью (согласно коэффициенту детерминации) обладают линейные уравнения с рекомендуемой температурой td=10ºС, для Усолья-Сибирского – с td=8ºС, а для Тулуна td=6ºС.

Линейные уравнения регрессии, благодаря универсальности их применения и простоте, широко используются для моделирования производственных параметров. Однако далеко не всегда зависимости этих параметров можно выразить линейными функциями, так как при этом могут возникать неоправданно большие ошибки [28].

а) однофакторный анализ

б) двухфакторный анализ

Рисунок 2.15 – Значения коэффициентов детерминации в зависимости от продолжительности периода k и критической температуры td по Тулуну

Наряду с линейными моделями возможно использование нелинейных функций: полинома, логарифмической, экспоненциальной, степенной и др. Применение нелинейных уравнений может увеличить точность аппроксимации, что положительно скажется на прогнозировании [51].

При использовании некоторых нелинейных уравнений необходимо, чтобы результативный признак и факторы регрессии были положительными.

В качестве одного из факторов в предложенных регрессионных моделях, используется сумма среднесуточных температур воздуха за предшествующий период.

Для большинства рассматриваемых лет по Иркутску, Усолье-Сибирскому и Тулуну эта сумма температур за периоды суммирования k положительна. Однако в годы с холодными весенними периодами возможны их отрицательные значения. Например, в 2006 г. по данным Иркутска сумма температур с 1 по 19 апреля составила -62,7C.

Для того чтобы исключить отрицательные суммы температур, предлагается при расчете температуры использовать шкалу Фаренгейта (F).

При этом формула перевода суммы температур по Цельсию в суммы температур по Фаренгейту выглядит следующим образом

,    (2.11)

где и  - температуры в градусах Фаренгейта и Цельсия соответственно, k – продолжительность периода суммирования температур.

В работе для аппроксимации однофакторных зависимостей дат посева от суммы температур (данные Иркутска и Усолья-Сибирского) использовались следующие нелинейные функции: полином второй степени, логарифмическая, степенная и экспоненциальная.

При описании двухфакторных зависимостей (данные Тулуна) рассматривались линейное, логарифмическое и полиномиальные выражения в различных вариантах. В качестве дополнительного фактора, помимо суммы среднесуточных температур x1 воздуха, использовалась сумма суточных осадков x2.

В качестве температуры td для каждого пункта применялись рекомендуемые значения: для Иркутска это значение 10C, для Усолья-Сибирского - 8C, а для Тулуна - 6C [10].

Для каждого вида функции использовались периоды суммирования параметров, при которых уравнения имели наибольшее значение коэффициента детерминации. На рисунке 2.16 показаны линейные и полиномиальные функции аппроксимации зависимости дат посева от сумм среднесуточных температур воздуха для Иркутска (период k  - с 1 по 19 апреля) и Усолья-Сибирского (период k  - с 1 по 21 апреля).

Рисунок 2.16 - Линейная и полиномиальная функции аппроксимации зависимости дат посева от сумм среднесуточных температур воздуха по Иркутску

В таблице 2.5 приведены результаты сравнения точности некоторых линейных и нелинейных уравнений для всех трех пунктов и полученные прогностические даты прогрева почвы до рекомендуемой температуры. Оценка точности моделей производилась по коэффициенту детерминации, стандартной ошибке и средней относительной ошибке аппроксимации.

Согласно таблице 2.5 наибольшей точностью согласно коэффициенту детерминации для Иркутска обладает полиномиальное уравнение, а линейное и логарифмическое имеют меньшую точность, но они также пригодны для прогнозирования. Ввиду больших относительных и абсолютных ошибок степенной и экспоненциальной зависимостей, последние не применимы для прогнозирования.

Таблица 2.5 - Оценка точности линейных и нелинейных уравнений регрессии для Иркутской области

Показатели

Пункт наблю-дения

Линейная функция

Полиномиальная функция

Уравнение регрессии

Иркутск

y=-0,067x+60,3

y =-0,00018x2 +

+0,21x-29,7

Рекомендуемая температура td

10°C

Многолетний период

1989 – 2009 гг.

Период суммирования параметров

1-19 апреля

Коэффициент детерминации

0,72

0,81

Стандартная ошибка аппроксимации

2,7

2,5

Средняя относительная погрешность, %

16,8

15,1

Расчетная дата посева на 2012 г.

30 апреля

30 апреля

Фактическая дата посева на 2012 г.

н.д.

Уравнение регрессии

Усолье-Сибирское

y=-0,071x+66,4

y=0,00001x2-

-0,079x+69,6

Рекомендуемая температура td

8°C

Многолетний период

1987 – 2010 гг.

Период суммирования параметров

1-21 апреля

Коэффициент детерминации

0,81

0,81

Стандартная ошибка

2,3

2,3

Средняя относительная погрешность, %

13,2

13,4

Расчетная дата посева на 2012 г.

29 апреля

29 апреля

Фактическая дата посева на 2012 г.

н.д.

Уравнение регрессии

Тулун

y=-0,048x1+

+0,047x2++40,4

y=-1,05x12-0,096x22+

+0,00072x1+0,0027x2+

+386

Рекомендуемая температура td

6°C

Многолетний период

1987 – 2008 гг.

Период суммирования параметров

11-30 апреля

Коэффициент детерминации

0,42

0,8

Стандартная ошибка

2,2

1,3

Средняя относительная погрешность, %

30,1

15,3

Расчетная дата посева на 2012 г.

4 мая

2 мая

Фактическая дата посева на 2012 г.

2 мая

Для Усолья-Сибирского линейная и полиномиальная зависимость имеют практически одинаковую точность. Меньшей точностью обладают логарифмическая функция. Что касается степенной и экспоненциальной зависимости то, как и в предыдущем случае, они не рекомендуются для использования в прогнозировании.

По данным Тулуна полиномиальное уравнение является адекватным, значимым и обладает большим значением коэффициента детерминации по сравнению с линейной зависимостью.

Высокие стандартные и средние относительные ошибки уравнений регрессии по некоторым пунктам связаны с тем, что в разные годы по-разному происходит накопление сумм температур и можно выделить два вида функции: одна – возрастающая, а вторая имеет волнообразный вид.

Расчетные даты посева зерновых на 2012 г. согласно уравнениям с наибольшими точностями (таблица 2.8) составили 30 апреля для Иркутска (дата прогрева почвы до 10C), 29 апреля для Усолья-Сибирского (дата прогрева почвы до 8C) и 2 мая для Тулуна (дата прогрева почвы до 6C).

Отметим, что прогнозная дата посева по полиномиальному уравнению для Тулуна, совпала с фактической датой прогрева до рекомендуемой температуры. К сожалению, поскольку данные о температурах почвы в Иркутске и Усолье-Сибирском отсутствуют, не удалось сравнить даты по этим пунктам.

Таким образом, для Иркутска рекомендуется использовать однофакторные полиномиальные уравнения регрессии, для Усолья-Сибирского однофакторные линейные, а для Тулуна – двухфакторные полиномиальные.

Согласно таблице 1.3 по расчетным датам посева можно определить даты других технологических операций, связанные с обработкой посевов. В таблице 2.6 приведены расчетные даты начала некоторых основных технологических операций по возделыванию пшеницы сорта Тулунская 12 зерновых для трех пунктов на 2012 г.

Таблица 2.6 – Расчетные даты проведения технологических операций по возделыванию пшеницы сорта Тулунская 12 для Иркутской области на 2012 г.

Операция по технологической карте

Расчетные даты

Иркутск

Усолье-Сибирское

Тулун

Культивация

29 апреля

28 апреля

1 мая

Посев

30 апреля

29 апреля

2 мая

Внесение удобрений

30 апреля

29 апреля

2 мая

Прикатывание

1 мая

30 апреля

3 мая

Боронование до всходов

5 мая

4 мая

7 мая

Уборка культуры

2 августа

1 августа

5 августа

 

Таким образом, на основе разработанных алгоритмов рассчитаны даты посева, с помощью которых определены даты других основных технологических операций на 2012 г. для Иркутской области.

2.5 Оценка качества прогностических сроков технологических операций

Качество полученных регрессионных моделей также можно оценить с помощью ретроспективного прогноза. Для этого по нескольким прошедшим годам рассчитывается дата посева по данным за предшествующие им годы. При этом в зависимости от прогнозируемого года используются разные периоды суммирования, многолетние продолжительности и соответственно разные уравнения регрессии. Для расчетов дат посева в ретроспективном прогнозе применялись рекомендуемые для каждого пункта уравнения согласно таблице 2.4.  Результаты ретроспективных прогнозов для трёх пунктов приведены в приложении 4.

Одной из проблем в построении уравнений регрессии является отсутствие фактических агроклиматических данных по некоторым годам и пунктам наблюдений. По Усолью-Сибирскому полностью отсутствуют сведения по температуре почвы за 1998, 2000, 2006-2008, 2011 гг. По Тулуну нет данных по этому показателю ранее 1 мая за многолетний период. В тоже время прогрев почвы до 6C за некоторые годы может осуществляться ранее этой даты. Поэтому при построении моделей по этим пунктам использовались неполные выборки. Для восстановления отсутствующих данных по температуре почвы на глубине 5 см, можно использовать температуры воздуха, в виду высокой корреляции этих параметров. Кроме того, температура почвы в Тулуне может быть восстановлена по данным соседних пунктов. 

В таблице 2.7 приведена оценка точности ретроспективного прогноза по Иркутской области. Оценивались стандартная ошибка и средняя относительная погрешность отклонений фактических от расчетных дат по каждому году.

Таблица 2.7 – Оценка точности ретроспективного прогноза рекомендуемых дат посева зерновых

Пункт наблюдения

Иркутск

Усолье-Сибирское

Тулун

Рекомендуемая температура td

10C

8C

6C

Многолетний период

1989 - 2009

1987 - 2010

1987 - 2008

Прогнозируемые годы

1997 - 2012

1997 - 2012

2000 - 2009

Количество прогнозируемых лет

14

6

5

Стандартная ошибка

4,2

7,6

3,0

Средняя относительная погрешность, %

12,3

16,1

9,9

По данным таблицы 2.7 можно сделать вывод об удовлетворительной точности ретроспективных прогнозов по всем трём пунктам. Стандартная ошибка прогноза по Иркутску составляет 4,2, что вполне приемлемо для расчетов. При этом использовались данные за достаточно продолжительный период – 14 лет. Наименьшей точностью обладают прогнозы по Усолью-Сибирскому. Аналогичный показатель по Тулуну достаточно высок, однако, как и в случае с предыдущим пунктом для расчетов уравнений в них использовались данные по малому количеству лет (5 и 6 лет соответственно). Этим можно частично объяснить низкую точность ретроспективного прогноза по Усолью-Сибирскому. 

Полученные прогнозные значения дат посева по всем трем пунктам являются точечными. Для получения интервальных прогнозов использовалась формула (1.9). На рисунке 2.17 показаны результаты точечных и интервальных ретроспективных прогнозов дат посева зерновых по Иркутской области. В качестве уровня значимости прогноза α для всех пунктов использовалась значение 0,05.

а) Иркутск

б) Усолье-Сибирское

в) Тулун

Рисунок 2.17 – Результаты точечного и интервального ретроспективных прогнозов дат посева зерновых по Иркутской области

Поскольку процесс накопления температуры в почве происходит по-разному в зависимости от особенностей притока тепла в воздухе, сделана попытка рассмотреть два вида зависимости: при устойчивом прогреве и резких колебаниях.

Расчеты выполнены по многолетним рядам Иркутского района, характеризующего наибольшей продолжительностью и непрерывностью (таблица 2.8). Согласно данным уравнения регрессии для лет с устойчивым прогревом почвы лучше отражают реальные условия по сравнению с моделями, отражающих неустойчивый прогрев. Поэтому при прогнозировании дат посева необходимо учитывать тенденции изменения предшествующих температур воздуха в текущем году. Использование дифференциального подхода к построению моделей прогнозирования параметра y позволяет повысить надежность результатов, а с другой стороны - предполагает наличие продолжительной многолетней выборки температуры воздуха и почвы. Именно поэтому использование устойчивой и неустойчивой тенденций колебания температуры затруднительно, в частности, для Усольского и Тулунского районов.

Таблица 2.8 – Оценка точности регрессионных уравнений для разных типов прогрева почвы по данным Иркутского района

            Многолетний период

Параметры

Весь период (1987 – 2011 гг.)

Годы с устойчивым прогревом

Годы с колебанием температуры почвы

Уравнение регрессии

y=-0,00018x12+

+0,21x1-29,7

y=-0,00024x12+

+0,25x1-41,9

y=-0,00016x12+

+0,15x1-10,8

Коэффициент детерминации

0,81

0,83

0,77

Стандартная ошибка аппроксимации

2,5

2,3

2,1

Средняя относительная погрешность, %

15,1

16,1

12,0

В разделах 2.1 и 2.2 установлено соответствие рядов y и x1, x2, … xn законам распределения вероятности.

Поскольку ряды факторов и результативного признака являются случайными на основании полученных регрессионных уравнений можно смоделировать различные варианты дат посева на основе метода статистических испытаний.

Для этого моделируются факторы x1 и x2 с помощью известных законов распределений на основе псевдослучайных чисел (вероятностей превышения), по которым определяются значений результативного признака. Этот алгоритм позволяет оценить лучшие и худшие варианты развития ситуаций связанных с посевом (таблица 2.9).

Таблица 2.9 – Результаты имитационного моделирования рядов относительных дат прогрева почвы

Пункт наблюдения

Иркутск

Усолье-Сибирское

Период k

1-19 апреля

1-21 апреля

Период M

1989-2009

1987-2011

Критическая температура td 

10°С

8°С

Длина выборки n

500

500

21

500

500

10

Закон распределения

гамма распределение по y

нормальный по x

фактические даты

гамма распределение по y

нормальный по x

фактические даты

Минимальная дата Ti  

26 апреля

27 апреля

24 апреля

25 апреля

16 апреля

22 апреля

Максимальная дата Ti  

22 мая

23 мая

13 мая

27 мая

18 мая

16 мая

Средняя дата Ti  

6 мая

9 мая

4 мая

4 мая

3 мая

4 мая

Для оценки относительных дат y осуществлялось непосредственное моделирование y по закону гамма-распределения и моделирование фактора x1 нормальному закону. При этом были выявлены минимальные, максимальные и средние даты прогрева почвы Ti для Иркутска и Усолье-Сибирского. Наибольшее соответствие Ti фактическим данным для обоих пунктов наблюдения показали результаты моделирования y по закону гамма-распределения.

Для оценки случайной составляющей ε уравнения регрессии (1.1) использовался метод Монте-Карло. Для этого применялась формула (1.29). Сравнивались ошибка аппроксимации, относительная разность эмпирических и теоретических значений с учетом случайной составляющей исходной выборки и без ее учета.

В приложении 5-7 приведены результаты моделирования случайного возмущения выборки дат посева зерновых Иркутской области и оценка точности уравнений регрессии. В приложении 8 приведены средние ошибки аппроксимации уравнений регрессии с учетом случайной составляющей для выборки длиной 20. При этом в среднем ошибки аппроксимации уравнений с учетом случайной составляющей оказались равны: для Иркутска – 19,5%, для Усолья-Сибирского – 19,5%, а для Тулуна – 15,1%.

Таким образом, в работе впервые предложена методика прогнозирования дат посева на основе однофакторных и многофакторных линейных и нелинейных уравнений регрессии зависимости рекомендуемых дат посева (Ti) от сумм среднесуточных температур воздуха (x1) и сумм осадков (x2) за предшествующие периоды k.

Методика апробирована для трёх районов Иркутской области: Иркутскому, Усольскому и Тулунскому. Выявлены рекомендуемые даты посевов зерновых культур на 2012 г. по этим пунктам.  Предложено, для исключения отрицательных сумм температур, использовать шкалу Фаренгейта. Выявлено, что для Иркутска и Усолья-Сибирского наибольшей точностью обладают однофакторные уравнения зависимости дат посева от сумм температур. Причем для первого пункта лучшим является полиномиальная функция, а для второго - линейная. По данным Тулуна наилучшей моделью для прогноза является двухфакторное полиномиальное уравнение. Проведен ретроспективный прогноз рекомендуемых дат посева зерновых по данным вышеназванных пунктов. В отличие от Усолья-Сибирского по Иркутску уравнения имели приемлемую точность для прогноза. Невысокая точность уравнений по первому пункту связана с недостатком данных за некоторые годы.

Модели определения даты начала работ являются адаптивными. При последовательном добавлении данных за каждый последующий год параметры регрессионных моделей изменяются, что особенно важно для территорий с резко континентальным климатом. Алгоритмы могут применяться для любых пунктов с наличием информации о суточной температуре и осадках.

Дополнительно осуществлено имитационное моделирование дат посевов, факторов на них влияющих и моделирование остатков регрессии ɛ методом статистических испытаний.

Полученные даты посева использованы для составления технологических карт по аграрным предприятиям трех рассматриваемых районов региона. В качестве примера в приложении 1 и 2 показана технологическая карта на поле № 17 по производству пшеницы в УНПП «Семена» Иркутского района на 2012 г.

Карта рассчитана с помощью программного комплекса АСУ «Хозяйство» с использованием фактических сведений по наличию техники и персонала данного предприятия, нормативных справочников и расчетных дат посева для Иркутска.


3 МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ПЛАНИРОВАНИЯ АГРОТЕХНОЛОГИЧЕСКИХ ОПЕРАЦИЙ

3.1 Математическое обеспечение модели планирования агротехнологических операций

В работе для прогнозирования и планирования агротехнологических операций предложены две группы моделей. Основными технологическими операциями являются посев, боронование, внесение удобрений и ядохимикатов, уборка сельскохозяйственных культур. Следует подчеркнуть, что из перечисленных дат основная - дата посева. Остальные сроки связаны с этой датой в зависимости от агротехнологических норм.

Для прогнозирования даты посева использована первая группа моделей. Для построения этих моделей используются алгоритмы, описанные в разделе 2.4. При этом в зависимости от формы связи модели могут быть линейными и нелинейными, по числу факторов: однофакторными и многофакторными, по оценке заблаговременности: с заданной заблаговременностью и с расчетной заблаговременностью, по виду информации: с фактическими данными, прогнозными значениями и экспертными оценками.

Рассмотренные модели прогнозирования дат посева могут отличаться адекватностью и качеством, а значит и степенью пригодностью для различных ситуаций. В зависимости от требуемой задачи прогнозирования и территории исследования используются различные виды моделей для прогноза.

От точности определения даты посева зависит правильное планирование производственных работ и в конченом итоге значения затрат. Поэтому во второй группе рассмотрены модели  оптимизации агротехнологических операций, для планирования производства зерновых культур. Классификация моделей оптимизации, реализованных в работе, показана на рисунке 3.1.

 

Рисунок 3.1 - Математические модели оптимизации агротехнологических операций для планирования производства

Для построения и применения моделей прогнозирования и планирования использованы различные математические методы, показанные на рисунке 3.2.

Рисунок 3.2 - Математические методы прогнозирования и планирования агротехнологических операций

При создании моделей прогнозирования даты посева сельскохозяйственных культур реализованы: методы статистической обработки данных, корреляционно-регрессионный анализ и метод Монте-Карло.

Поскольку рассматриваемые модели прогнозирования дат посева являются многофакторными, то для оценки изменчивости факторов использованы методы статистической обработки данных. Оценка рядов на случайность показала, что они является стохастическими. Поэтому для оценки параметров, характеризующих факторы, использованы методы построения законов распределения вероятностей с оценкой статистических параметров и их погрешностей. При этом в некоторых случаях ряды представляют собой как случайные, так и слабосвязанные выборки, поэтому при определении статистических параметров со значимым первым коэффициентом автокорреляции учитывалось его значение.  В дополнение к этому случайность факторов предполагает использование метода статистических испытаний для эффективной оценки их влияния на даты посева. При этом корреляционно-регрессионный анализ реализован для выявления значимых факторов, влияющих на результативный признак.

На первом этапе построения модели прогнозирования для сроков посева осуществлялась статистическая обработка данных - рядов результативного признака (относительных дат посева) и факторов (сумма температур и осадков за предшествующие периоды). Здесь оценивалась случайность исходных рядов с помощью автокорреляционной функции. В зависимости от значимости коэффициентов автокорреляции определены модели временных рядов: функция распределения вероятности с учетом и без учета автокорреляционных связей и авторегрессионное уравнение. Для подбора законов распределения использован критерий согласия Колмогорова. Дополнительно к этому выявлялись тренды в исследуемых рядах.  

На следующем этапе построены однофакторные и многофакторные модели с помощью корреляционно-регрессионного анализа.  В качестве результативного признака использовалась относительная дата посева, а факторов – суммы среднесуточных температур воздуха и сумм осадков за предшествующие периоды. Благодаря корреляционному анализу, из множества факторов выделены наиболее значимые. В зависимости от точности моделей, значимости уравнений и параметров, определяющихся с помощью F-критерия Фишера и t-статистик Стьюдента, построены однофакторные и двухфакторные, линейные и нелинейные уравнения. При этом рассматривались различные периоды суммирования основных факторов  – температуры и осадков. После построения модели с определением их точностей (средняя ошибка аппроксимации, коэффициент детерминации), оценивалась адекватность модели с помощью анализа случайности остатка ряда: равенство нулю математического ожидания, подчиненность остатка нормальному закону распределения, случайность колебаний ряда согласно критерию пиков, отсутствие автокорреляционных связей. Помимо перечисленных факторов в работе использованы и другие климатические параметры, влияние которых на результативный признак оказалось не существенным. Тем не менее, они вошли в базу данных.

Случайность факторов и результативного признака позволили использовать метод статистических испытаний для оценки дат посева и факторов, подчиняющихся законам распределения. При этом можно выделить два способа получения расчетных дат: генерация множества различных значений результативного признака по соответствующему ему закону распределения и генерация значений факторов модели по соответствующим законам распределения с последующим расчетом результативного признака. Оба подхода позволяют получить множество вариантов дат посева, среди которых можно выявить экстремальные: раннюю, среднюю и позднюю с учетом некоторого диапазона факторов.

Другими словами, метод статистических испытаний позволяет моделировать факторы, влияющие на дату посева, решать обратные задачи определения того или иного фактора в зависимости от даты посева. С помощью этого метода моделируются экстремальные ситуации, что особенно важно в условиях значительной изменчивости климатических факторов в Восточной Сибири.

Что касается группы моделей оптимизации агротехнологических операций для планирования производства сельскохозяйственной продукции, то здесь для решения линейных моделей с использованием эмпирических коэффициентов влияния своевременности посева применен симплекс-метод. Поскольку такие задачи могут быть как детерминированными, так и включать интервальные параметры, то при получении оптимальных решений применим метод статистических испытаний, адекватное использование которого обусловлено непредсказуемостью значений параметров, изменяющихся в заданном интервале. В этом случае предлагается использовать две группы моделей: с детерминированными и интервальными оценками.

Нахождение оптимальной структуры посевных площадей сельскохозяйственных культур, с точки зрения эффективности их использования, возможно с применением методов математического программирования. Важным инструментом такого анализа являются получаемые при решении задач оптимизации объективно обусловленные оценки [96, 114].

Технологические карты являются основой планирования производства сельскохозяйственной продукции. Поскольку планирование является многовариантной задачей, предлагается применение задачи математического программирования для определения различных вариантов развития производственных процессов. Каждый этап технологической карты может быть описан с помощью ограничений. При этом производственные работы связаны с ключевыми датами, определенными в технологической карте. В таких задачах в качестве критерия оптимальности применим минимум затрат или максимум прибыли.

В конечном итоге сроки посева и, следовательно, точность их прогноза влияют на следующие параметры: объемы внесения удобрений и ядохимикатов, урожайность сельскохозяйственных культур, всхожесть, влажность, качество семян и другие.

Агрономы (эксперты) рассматривают три варианта получения продукции на основе технологической карты в зависимости от правильного определения даты посева: ранний посев, посев в оптимальные сроки и поздний посев.

При этом ранний посев по сравнению с посевом в оптимальные сроки способствует увеличению затрат на удобрение на 200% и более, ядохимикатов – не менее 300%; уменьшение урожайности на величину превышающую10%. Это связано с ростом болезней растений и увеличением числа вредителей. Кроме того, при позднем посеве увеличиваются затраты на сушку зерна ввиду увеличения его влажности.

Исходя из этой ситуации, в работе предложены следующие 3 варианта оптимизационных моделей, учитывающие следующие сценарии: ранний, оптимальный и поздний посев. Для реализации этих моделей использованы экспертные оценки зависимых параметров, которые приведены в таблице 3.1. В качестве экспертов выступали агрономы.

Таблица 3.1 – Экспертные оценки влияния своевременности посева на различные параметры модели оптимизации структуры посевных площадей для юга Восточной Сибири

Параметры

Коэффициенты влияния своевременности посева

Ранний посев

Посев в оптимальные сроки

Поздний посев

Затраты на гербициды

1

0

0,5

Затраты на удобрение

1

0,3

0,1

Затраты на ядохимикаты

1

0,2

0,5

Затраты на сушку зерна

0,2

0,2

1

Урожайность

0,9

1

0,95

Постановка задачи. Необходимо найти оптимальную структуру посевных площадей различных культур при различных сроках посева, удовлетворяющих потребностям хозяйства. В качестве критерия оптимальности в этой задаче использован минимум затрат на производство сельскохозяйственной продукции. Решение задачи позволяет определить: площади различных культур (групп культур), обеспечивающие производство заданного объема продукции для трех ситуаций: посев в ранние, средние и поздние сроки.

Общий вид математической модели, включающий все три варианта, выглядит следующим образом. Минимизируются суммарные затраты на возделывание культур одного предприятия:

,   (3.1)

при ограничениях:

1) по использованию земельных угодий

;             (3.2)

2) по предельным площадям отдельных групп культур

;        (3.3)

3) по потребности в продукции каждой культуры

;     (3.4)

4) по использованию трудовых ресурсов

;       (3.5)

5) по использованию материальных ресурсов

;    (3.6)

6) неотрицательности переменных

.     (3.7)

При записи экономико-математической модели использованы следующие обозначения: j - индекс сельскохозяйственной культуры; i - индекс групп операций (например, посевные операции, операции по уходу за посевом, уборочные операции); aj – урожайность j-ой культуры; lj – коэффициент влияния своевременности посева на урожайность j-ой культуры; bij – объем затрат труда на i-ю группу операций возделывания 1 га j-ой культуры;  wij – постоянные затраты на i-ю группу операций возделывания 1 га j-ой культуры; vij – переменные затраты на i-ю группу операций возделывания 1 га j-ой культуры;  kij – коэффициент влияния своевременности посева на затраты i-й группы операций возделывания 1 га j-ой культуры; xj – искомая площадь j-ой культуры; - максимальная площадь, отведенная на культуру j; B – общая площадь, отведенная на посевы; Aj – потребность в продукции j-ой культуры; Vi – максимальный объем трудовых ресурсов, отведенных на i-ю группу операций возделывания; Wi – максимальной количество материальных ресурсов, необходимых для i-ой группу операций возделывания; N – множество культур; М — множество групп операций.

Необходимо отметить что некоторые затраты на производство продукции в данной постановке оптимизационной задачи разделены на постоянные, которые не зависят от сроков посева культуры, и переменные. Последние зависят от коэффициентов влияния своевременности посева. Помимо этого, в задаче урожайность сельскохозяйственных культур также изменяется в зависимости от этого коэффициента (таблица 3.1).

Понятно, что коэффициенты, которые предлагают эксперты, являются некоторыми усредненными значениями, которые на самом деле - интервальные. Поэтому предлагаемую модель с экспертными оценками можно усложнить, рассматривая коэффициент k и l как величины с верхними и нижними значениями. В этом случае для раннего, оптимального и позднего посева будет получено множество оптимальных решений, из которых практическое значение имеют экстремальные значения. Дополнительно оптимизационную модель можно изменить, рассматривая параметры, зависящие от своевременности посева, как вероятностные величины.

Таблица 3.2 - Верхние и нижние оценки коэффициентов влияния своевременности посева

 Ситуации посева

Ранний посев

Оптимальный посев

Поздний посев

 Границы интервалов

Нижн.

Верхн.

Нижн.

Верхн.

Нижн.

Верхн.

Коэффициенты влияния

Затраты на удобрение

0,9

1,1

0,2

0,4

0,1

0,2

Затраты на ядохимикаты

0,9

1,1

0,1

0,3

0,4

0,6

Затраты на сушку зерна

0,1

0,3

0,1

0,3

0,9

1

Урожайность

0,7

0,9

0,9

1,1

0,7

0,9

Подобную задачу с учетом выделенных особенностей её параметров можно описать по-другому. Параметры, связанные с коэффициентом влияния являются, по сути, интервальными оценками. Поэтому задача оптимизации получения сельскохозяйственной продукции записывается в следующем виде. Минимизируются суммарные затраты на возделывание культур одного предприятия:

,         (3.8)

где , при ограничениях:

1) по использованию земельных угодий

;             (3.9)

2) по предельным площадям отдельных групп культур

;        (3.10)

3) по потребности в продукции каждой культуры

     (3.11)

где ;    

4) по использованию трудовых ресурсов

;       (3.12)

5) по использованию материальных ресурсов

,    (3.13)

где;   

6) неотрицательности переменных

.     (3.14)

В записи модели  и - нижние и верхние границы интервальных оценок затрат на i-ю группу операций возделывания 1 га j-ой культуры; и  - нижние и верхние границы интервальных оценок урожайности j-ой культуры.

Согласно ограничениям использовались интервальные оценки таких параметров как урожайность культур, затраты на внесение удобрений, ядохимикатов и сушку семян. При этом эти параметры моделировались с помощью метода статистических испытаний. В этом случае результатом является множество решений, из которых особый интерес имеет минимальные, средние и максимальные значения целевой функции и соответствующих им переменных.

Различия между моделями заключаются в разных подходах использования экспертных оценок. В первом случае экспертные оценки отражают особенности моделирования ситуаций с ранними, оптимальными и поздними датами посевов. Во втором случае имеет место определения множества оптимальных вариантов решения при условии отсутствия связи между вариантами посева.

Очевидно, что наилучший вариант решения соответствует оптимальному варианту посева, а худшие поздней или ранней дате посева. Поэтому более адекватной является первый подход к моделированию. Вместе с тем согласно второй модели можно получить значительное разнообразие вариантов. Таким образом, для решения линейных задач планирования использован симплекс-метод.

Разработанные модели и методы систематизированы для создания программного комплекса планирования агротехнологических операций. Очевидно, что при создании программного комплекса необходимо использовать стандартное программное обеспечение, позволяющее применять перечисленные методы. Для реализации программного обеспечения, в частности, можно использовать программные продукты StatSoft Statistica и MS Excel. Первая из них позволяет реализовать модели прогнозирования, а вторая - модели планирования агротехнологических операций.

3.2 Алгоритмы прогнозирования и планирования параметров агротехнологических операций

Для решения задач планирования агротехнологических операций осуществлялось прогнозирование сроков посева сельскохозяйственных культур согласно разработанным моделям и планирование агротехнологических операций на основе полученных прогнозов.

Методика прогнозирования дат посева на основе полученных факторных моделей на текущий год для отдельного аграрного предприятия выглядит следующим образом. По многолетним данным о температуре воздуха на территории предприятия устанавливается усредненная дата перехода среднесуточной температуры воздуха через 0°C. Эта дата является началом периода суммирования параметров (для Иркутской области это в основном начало апреля). Затем, начиная с этой даты в текущем году, систематизируют суточные данные о температуре и осадках. После 7-10 дней от этой даты строятся начальные модели расчета прогноза даты посева, которые ежедневно уточняются благодаря накоплению данных.

Возможны два подхода к прогнозированию даты посева: использование заданной заблаговременности и определение оптимальной заблаговременности. В первом подходе используется модель прогнозирования с заданной заблаговременностью. Согласно второму подходу для прогноза используется модель с расчетной заблаговременностью на основе оценки точности рассматриваемой зависимости.

Помимо фактических данных для прогнозирования применимы их прогностические значения факторов. Использование таких данных увеличивает заблаговременность прогноза на несколько дней в ущерб его точности. Кроме того, методикой дополнительно предусмотрен учет экспертных оценок дат посева.

Методика позволяет получить, как точечные прогнозы дат посева, так и их интервальные оценки. На основе спрогнозированной даты посева можно вычислить даты других, связанных с ней агротехнологических операций: культивация, боронование, внесение удобрений, уборка и др. При этом существуют рекомендации по срокам проведения таких операций относительно даты посева (таблица 1.3). Так, например, для оценки даты уборки необходимо к расчетной дате посева прибавить среднюю продолжительность вегетационного периода сорта культуры.

Разработанная методика прогнозирования дат посева основана на анализе и выявлении закономерностей процесса прогрева почвы в весенний период и связей его с другими агроклиматическими параметрами. Так как этот процесс в разные годы протекает по-разному и интенсивность накапливания тепла почвой варьируется в значительной степени, то для наиболее эффективного прогноза даты посева целесообразно различать сценарии прогрева почвы. Методика позволяет учитывать два варианта прогрева почвы – устойчивый прогрев и резкие колебания. Для каждого из вариантов рассчитываются и применяются собственные модели для прогноза. Так, например, в случае, когда прогрев весной проходит постепенно без резких скачков, то для прогнозирования даты посева применимы модели для устойчивого прогрева. И, наоборот, при наличии резких колебаний в процессе прогрева применимы модели для второго варианта. Такой подход к выбору модели для прогнозирования особенно актуален для резко-континентального климата, характерного для нашего региона.

При наличии достаточного количества агроклиматических данных методика позволяет спрогнозировать даты посева по нескольким пунктам наблюдений, находящихся в разных природно-климатических зонах региона. При этом для каждого пункта используется собственные модели для прогноза, отличающиеся между собой количеством факторов, формой их связей с результативным признаком, периодом суммирования параметров, заблаговременностью прогноза и т.д. Такой гибкий подход к прогнозированию позволяет учитывать специфические природно-климатические условия исследуемой территории региона.

Методика реализована для нескольких пунктов наблюдения разных природно-климатических зон региона. При этом выявлено, что для северных районов характерно влияние на дату посева сумм осадков дополнительно к суммам температур. Тогда как для южных районов этот фактор не значим.

Полученные даты начала операций использовались для составления карт распределения дат посева по территории. Методика составления таких карт выглядит следующим образом. Точечные прогнозы дат посева на текущий год по нескольким пунктам наблюдений региона обрабатываются ГИС-системой «MapInfo», где с помощью программной надстройки VerticalMapper эти данные наносятся на карту территории региона в виде точек и интерполируются на остальные близлежащие участки для создания карты распределения дат посева. При наличии достаточного количества точечных данных возможно получение подробной карты, с помощью которой можно определить даты посева для каждой из охваченных интерполяцией территорий. При поступлении новых прогнозных данных карты ежедневно уточняются. Преимуществом таких карт является возможность оценки дат посева для территорий, по которым отсутствуют фактические агроклиматические данные необходимые для осуществления прогноза даты посева на этой территории, однако имеются несколько пунктов наблюдения находящихся в непосредственной близости.

Для реализации задачи планирования агротехнологических операций используются модели оптимизации производства сельскохозяйственной продукции.

Итогом составления технологических карт является определение различного рода затрат на производство сельскохозяйственной продукции: затраты труда, ГСМ, электроэнергии, затраты на семена, удобрение, ядохимикаты и т.д. При этом известно, что эти затраты зависят от своевременности проведения агротехнологических операций, в особенности посева. Поэтому актуальным является решение задачи оптимизации производства сельскохозяйственной продукции для различных ситуаций посева: ранний, поздний посев и посев в оптимальные сроки. Коэффициенты влияния своевременности посева на параметры производства устанавливаются экспертно. Для решения этих задач математического программирования использовался симплекс-метод.

В работе рассмотрены модели оптимизации производства сельскохозяйственной продукции с применением экспертных оценок, учитывающие своевременность даты посева (см. раздел 3.1). При моделировании рассмотрены следующие варианты получения сельскохозяйственной продукции - с учетом ранней, поздней и оптимальной даты посева. В первом подходе коэффициенты влияния своевременности посева на планирование производства принимаются в качестве детерминированных величин. Результатом решения задач математического программирования являются три оптимальных плана. Во втором случае коэффициенты рассматриваются в виде интервальных оценок, поэтому реализуемые модели имеют множество оптимальных решений, среди которых можно выделить средние, лучшие и худшие. Здесь для определения целевой функции эффективен метод статистических испытаний. При этом алгоритм получения множества оптимальных решений с помощью этого метода выглядит следующим образом. Коэффициенты влияния своевременности посева на параметры производства для каздой из ситуаций посева генерируются по равномерному закону распределения в пределах от минимального до максимального значений согласно таблице 3.2. Полученные коэффициенты подставляются в числовую модель, и находится оптимальное решение, которое сохраняется. Такую операцию повторяют многократно. Из множества оптимизационных моделей находят значения искомых переменных, соответствующих экстремальным значениям целевой функции, с помощью которой минимизируются затраты.

Согласно третьему подходу коэффициенты влияния на производство не применяются, а используется модель с интервальными параметрами. В этом случае решение аналогично второму варианту, при этом генерируются значения интервальных параметров с помощью метода Монте-Карло: затраты на удобрение, на гербициды, сушку семян и урожайность.

В работе реализованы оптимизационные задачи всех трех типов. При этом использовались данные предприятия УНПП «Семена» Иркутского района. В приложении 9 приведена модель оптимизации структуры посевных площадей для предприятия УНПП «Семена» с учетом разных ситуаций посева и ее реализация. Согласно результатам решения задачи с детерминированными параметрами затраты, полученные при раннем и позднем посеве, отличаются относительно оптимального посева более чем на 6%.

Для решения задач с интервальными оценками использован метод статистических испытаний. При этом смоделировано множество различных значений коэффициентов влияния своевременности посева в пределах от минимального и максимального их значений согласно таблице 3.2. Таким образом, получено множество решений для различных оценок. Результаты решения задачи с интервальными оценками показывают, что критерий оптимальности отличаются на 4-6%, при этом в значительной степени меняются искомые переменные, которые колеблются в пределах от 7 до 1200%.

Таким образом, разработаны алгоритмы прогнозирования агротехнологических операций в разных районах Иркутской области.  Полученные прогнозы используются для составления технологических карт растениеводства и в геоинформационной системе для составления карт распределения дат посева по территории.

Кроме того, прогнозные даты агротехнологических операций применены в задачах оптимизации производства сельскохозяйственной продукции. В них находятся оптимальные решения для различных вариантов посева – раннего, оптимального и позднего.

3.3 Программный комплекс планирования агротехнологических операций

Для эффективного использования разработанных моделей прогнозирования и планирования агротехнологических операций необходима их реализация в виде программного комплекса планирования агротехнологических операций.

Использование программного комплекса позволит автоматизировать получение дат технологических операций, на основе многолетних климатических данных о температуре и осадках, и их прогностических значениях для различных территорий региона с применением геоинформационных технологий.

Программный комплекс основывается на специальном информационном обеспечении, представленном в виде базы данных, с включением агрометеорологических сведений за многолетний период и фактических суточных температурах и осадках, и алгоритмах прогнозирования сроков посева на основе факторных моделей. База данных может быть дополнена оперативными сведениями от метеослужб и краткосрочными прогностическими значениями.

В качестве математического обеспечения программного комплекса использованы различные модели прогнозирования и планирования технологических операций. Для реализации этих моделей и получения в конечном итоге прогноза и плана построены алгоритмы прогнозирования и получения оптимальных планов.

В качестве программного обеспечения использовались: программа StatSoft Statistica, для статистической обработки данных, пакет анализа «Поиск решения» MS Excel, для решения оптимизационных задач, АСУ «Хозяйство», для составления агротехнологических карт и геоинформационная система «MapInfo», для построения карт распределения дат посева на территории. Для проектирования программного комплекса использованы Case-средства [35].

3.3.1 Функциональная модель и архитектура программного комплекса

К основным функциональным требованиям к программному комплексу можно отнести:

- сбор, обработка и хранение информации: сведений о предприятии, полях, культурах, технологических операциях и агроклиматических данных;

- формирование и выдача необходимой информации: справочной информации, климатических сведений за многолетние периоды, текущей или плановой информации о результатах производства;

- прогнозирование сроков технологических операций, на основе информации, хранящиеся в базе данных системы с использованием методов математического моделирования;

- планирование производства сельскохозяйственной продукции на основе прогнозов дат агротехнологических операций;

- взаимодействие с другими программными комплексами для более эффективного использования полученных прогнозов дат технологических операций.

Для разработки программного комплекса использован структурный подход, сущность которого заключается в ее декомпозиции на автоматизируемые функции. Для иллюстрации функций, выполняемых системой, использовалась нотация IDEF0 [56, 106].

Функциональная модель программного комплекса прогнозирования сроков агротехнологических операций построена с использованием программного инструментария AllFusion BPwin Process Modeler [35].

Основной функцией проектируемого комплекса является «Прогнозирование и планирование сроков технологических операций возделывания сельскохозяйственных культур» (рисунок 3.3).

Рисунок 3.3 – Функциональная модель программного комплекса в нотации IDEF0

Управляющей информацией в программном комплексе являются «Технологии планирования и прогнозирования» и «Методы математического моделирования». Механизмы, поддерживающие выполнение операций, представлены в виде «Программного комплекса» и «Пользователя». В качестве исходной информации имеются: «Сведения о культуре»,  «Сведения о предприятии» и «Агроклиматические данные». Выходная информация представлена в виде «Рекомендуемых дат агротехнологических операций» и «Оптимального плана производства сельскохозяйственных культур».

Декомпозиция основной функции включает две подфункции: «Прогнозирование дат агротехнологических операций» и «Оптимизация производства сельскохозяйственной продукции» (рисунок 3.4).

Рисунок 3.4 – Декомпозиция функциональной модели программного комплекса планирования агротехнологических операций

Функция «Прогнозирование дат агротехнологических операций» декомпозируется на 5 подфункций (рисунок 3.5). Согласно схеме на первом этапе осуществляется статистическая обработка агроклиматических данных по исследуемой территории - результативного признака (относительных дат прогрева почвы) и факторов, строится матрица парных коэффициентов корреляции. Далее на основе анализа полученной информации выявляются значимые факторы, которые в дальнейшем включаются в модель для расчета даты посева. На последующих этапах строится и рассчитывается модель для прогнозирования и полученная дата посева используется как опорная для нахождения дат остальных, связанных с ней, операций.

Рисунок 3.5 – Декомпозиция функциональной модели программного комплекса планирования агротехнологических операций

Полученные прогнозные даты технологических операций могут использоваться для расчета технологических карт, а также для оптимизации производства сельскохозяйственной продукции, в частности для составления оптимальной структуры посевных площадей для различных ситуаций посева.

Таким образом, спроектированный программный комплекс планирования агротехнологических операций основан на специальном математическом и алгоритмическом обеспечении, и базе данных, с включением агроклиматических сведений. Кроме того, программный комплекс позволяет взаимодействовать с другими комплексами для расчета технологических карт, получения карт пространственного распределения дат посева и выявления оптимального плана производства для различных ситуаций посева.

3.3.2 База данных программного комплекса 

Базы данных является одним из важнейших компонентов любого программного комплекса [122].

Для реализации разработанных моделей планирования и прогнозирования агротехнологических операций необходимо соответствующее информационное обеспечение. Базы данных, на которых основываются существующие информационные системы планирования сельскохозяйственного производства, не включают в себя агрометеорологические сведения необходимые для реализации этих моделей. Поэтому для программного комплекса планирования агротехнологических операций была создана специальная база данных.

В этой базе данных помимо основных сведений о предприятии, технике, персонале, технологии возделывания культур и других сведений, учитываются агроклиматические факторы, влияющие на возделывание культур.

Важным элементом создания базы данных является построение модели данных [115]. С помощью средства концептуального моделирования БД ERWin, для проектируемой информационной системы была составлена инфологическая модель данных на логическом уровне (рисунок 3.6). Модель данных состоит из 12 сущностей. К основным сущностям относятся: «Хозяйство», «Культура», «Агроклиматическая характеристика» и «Операция».

В базу данных включены следующие характеристики: суточные средние температуры воздуха и осадки, температуры почвы на глубине 5 см и другие. В зависимости от вида и сорта возделываемых культур и их требований к агроклиматическим условиям, возможно использование в качестве факторов других климатических характеристик (например, средняя относительная влажность воздуха для культур требовательных к увлажнению и т.д.).

Рисунок 3.6 – Логический уровень модели данных программного комплекса планирования агротехнологических операций

К особенностям базы данных можно отнести использование климатических сведений, являющимися факторами дат посева, которые ранее не учитывались в базах данных информационных систем при расчете технологических карт, необходимых для планирования производства. Кроме того, база данных, может дополняться прогностическими данными о погодных условиях, что позволяет увеличить заблаговременность прогноза дат посева.

Помимо этого, в базе данных заложены экспертные оценки дат технологических операций, которые могут быть использованы наряду с рассчитанными.

Для реализации базы данных использована СУБД Microsoft SQL Server 2005 Express Edition, обладающая высокой производительностью, надежностью и коммерческой независимостью.

При проектировании баз данных вызывает интерес источники фактических данных и способы наполнения ими базы данных. С этой точки зрения, хранимую информацию можно разделить на 2 группы:

- агроклиматические сведения за предшествующий многолетний период по гидрометеорологическому пункту наблюдения;

- фактические агроклиматические данные за текущие сутки.

Данные первого типа получают из метеорологических ежемесячников местных метеостанций либо с архивов погоды сайтов метеослужб в сети Интернет.

Среди наиболее распространённых ресурсов с многолетними данными по Иркутской области выделим:

- meteo.infospace.ru – сервер «Погода России», где имеются данные по 108 населённым пунктам и 37 метеостанциям Иркутской области за 1998-2009 гг.;

- rp5.ru – база данных «Расписание погоды», в которой хранятся данные по большинству населённых пунктов и метеостанций Иркутской области за 2005–2011 гг.

Источниками фактических суточных данных могут быть:

- сводки ближайших станций гидрометеослужб (по радио и телевидению, в печатных изданиях, в сети Интернет и т.д.);

- показания собственных метеостанций или измерительных приборов расположенных непосредственно на территории предприятия.

Для предприятий расположенных вблизи крупных пунктов метеонаблюдений, целесообразно использовать данные метеослужб по этим пунктам. Однако если территория предприятия находится вдали от них или в другой климатической зоне, необходимо использовать данные с собственных приборов или метеорологических площадок, характеризующее агроклиматическое состояние непосредственно на территории хозяйства.

Основным пользователем базы данных является агроном. Информационная безопасность использования информации организована посредством разграничения прав доступа и использования паролей.

Предложенная база данных расширяет возможности планирования растениеводческой продукции с учетом природно-климатических особенностей территории сельскохозяйственного предприятия. База данных заполнена агроклиматическими сведениями по г. Иркутск за 1989-2011 гг., Усолье-Сибирское и г. Тулун за 1987 – 2011 гг.

Разрабатываемый на основе базы данных программный комплекс может использоваться как самостоятельный продукт для моделирования технологических операций при планировании производства растениеводческой продукции и как модуль к АСУ «Агроном», расширяющий его возможности в планировании и прогнозировании операций по технологическим картам.

3.3.3 Пользовательский интерфейс программного комплекса

Разработанный программный комплекс связан с другими программными комплексами и источниками данных для расширения функций прогнозирования и планирования агротехнологических операций. На рисунке 3.7 показана схема его функционирования и взаимодействия с другими комплексами.

Согласно схеме информация из базы данных посредствам СУБД и интерфейса данных поступают в вычислительный модуль, где с помощью математического и алгоритмического обеспечения обрабатываются и передаются через интерфейс пользователю, а также в другие программные комплексы через интерфейс взаимодействия приложений.

Так, сведения, поступившие из комплекса (даты проведения технологических операций) в АСУ «Хозяйство», используются для составления технологических карт растениеводства. При этом геоинформационная система «MapInfo» использует эти данные для построения карт распределения дат посева по территории.

Рисунок 3.7 – Схема функционирования программного комплекса планирования агротехнологических операций

Используя прогнозные даты и сведения о производстве, хранящиеся в базе данных, надстройка «Поиск решения» MS Excel позволяет определить оптимальную структуру посевных площадей. База данных комплекса пополняется агроклиматическими сведениями, находящимися на сайте Гидрометеослужбы в сети Интернет или непосредственно с метеоплощадок сельскохозяйственных предприятий.

Для создания пользовательского интерфейса проектируемого комплекса использовалась среда разработки Borland Delphi 7, основным достоинством которого является использование компонентного подхода к созданию приложений [76].

Программный комплекс позволяет рассчитывать даты технологических операций в двух режимах – обычном и расширенном. Первый режим предназначен для пользователей не знакомых с разработанной методикой расчета дат технологических операций. Второй режим позволяет более точно настроить параметры прогнозирования для увеличения достоверности прогноза.  Главное окно комплекса состоит из меню «Файл» и «Справка», двух групп кнопок: «Прогнозирование сроков агротехнологических операций» и «Планирование агротехнологических операций», а также кнопки «Редактирование базы данных» (рисунок 3.8).

Рисунок 3.8 – Главное окно программного комплекса планирования технологических операций

В первой группе кнопок имеются две кнопки «Обычный режим» и «Расширенный режим», позволяющих выбрать соответствующий режим работы комплекса, для прогнозирования дат агротехнологических операций.

Вторая группа кнопок содержит кнопки, предназначенные для различного вида расчетов оптимизационной задачи: с детерминированными и с интервальными параметрами. В первом случае решаются задачи оптимизации посевных площадей для трех рассмотренных в 3.2 вариантах посева. Во втором случае при решении оптимизационной задачи в качестве параметров, зависящих от своевременности посева, рассматриваются их интервальные оценки.

Меню «Файл» содержит основные пункты: «Открыть», «Сохранить» и «Выход», предназначенные для открытия и сохранения баз данных и для выхода из системы. Меню «Справка» содержит разделы: «Помощь» и «О программе», в которых храниться справочная информация о функционировании комплекса и основные сведения о системе и версии программы.

Кнопка «Редактирование базы данных» предназначена для внесения изменений в текущую базу данных и содержит пункты, соответствующие основным ее сущностям.

На рисунке 3.9 в качестве примера работы с базой данных показано редактирование таблицы «Хозяйство». Здесь предлагается добавлять, изменять и удалять основные сведения об аграрных предприятиях, имеющихся в соответствующей сущности базы данных.

Рисунок 3.9 – Редактирование базы данных программного комплекса планирования технологических операций

Таким образом, описано взаимодействие программного комплекса с другими комплексами и источниками данных и интерфейс программного комплекса реализующий функции прогнозирования сроков агротехнологических операций.

3.4 Описание функционирования программного комплекса

Рассмотрим функционирование программного комплекса на примере расчета рекомендуемых дат агротехнологических операций для трех районов Иркутской области и решения задач оптимизации структуры посевных площадей с учетом различных ситуаций посева для предприятия УНПП «Семена» Иркутского района.

Функции построения моделей и прогнозирования сроков агротехнологических операций программного комплекса реализованы для юго-восточного лесостепного (Иркутск, Усолье-Сибирское) и центрального лесостепного (Тулун) агроландшафтных районов региона (см. таблицу 3.3).

Для начала опишем работу комплекса в обычном режиме. В этом режиме пользователю предлагается выбрать только предприятие, возделываемую культуру и ее сорт (рисунок 3.10).

Рисунок 3.10 – Расчет дат технологических операций в программном комплексе (обычный режим)

Параметры прогнозирования в этом режиме заданы по умолчанию. В качестве критерия оптимальности посева используется прогрев почвы до 10C, а в качестве фактора применяется сумма среднесуточных температур воздуха. Для уравнений регрессии используется полиномиальная форма зависимости. Расчет дат осуществляется по многолетнему периоду, включающему все года, по которым имеются данные в базе данных. Период суммирования параметров начинается с точки перехода температуры воздуха через 0C и заканчивается самой ранней датой прогрева почвы.

Работа в обычном режиме не требует от пользователя специальных навыков работы с методикой прогнозирования, и позволят специалисту быстро и эффективно осуществить прогноз дат основных технологических операций.

Расчет дат в расширенном режиме работы комплекса выглядит следующим образом. После нажатия кнопки «Расширенный режим» в главном окне комплекса появляется окно расчета дат (рисунок 3.11).

Рисунок 3.11 – Расчет дат технологических операций в программном комплексе (расширенный режим)

Пользователю предлагается выбрать из списка предприятие, для которого осуществляется прогноз дат посева, возделываемую культуру и сорт. Дополнительно пользователю необходимо выбрать критерий оптимальности посева (например, для зерновых – температура почвы на глубине заделки семян до определенной температуры), его значение (например, 10C) и вид уравнения регрессии для прогнозирования (линейный или полиномиальный).

Следующий этап расчета дат заключается в выборе многолетнего периода и факторов, включаемых в модель (в большинстве случаев – средняя температура воздуха и осадки). При этом в качестве многолетнего периода можно задать все годы, по которым имеются данные, либо только несколько последних лет, либо задать его вручную в соответствующее поле. Далее пользователю предлагается ввести начальные и конечные даты периода суммирования параметров, которые можно задать вручную, либо использовать в качестве начала периода суммирования точку перехода среднесуточной температуры воздуха за многолетний период через 0C, а в качестве окончания периода, текущую дату или последнюю имеющуюся в базе данных за текущий год.

После нажатия кнопки «Построение уравнений» открывается окно выбора уравнений регрессии для прогнозирования дат технологических операций (рисунок 3.12).

Рисунок 3.12 – Окно выбора уравнений регрессий для расчета дат технологических операций в программном комплексе (расширенный режим)

В данном окне приводится таблица, показывающая уравнения регрессии, полученные по исходным данным с помощью метода МНК для различных значений входных параметров. Далее пользователю предлагается выбрать критерий оценки качества полученных уравнений (например, средняя относительная ошибка аппроксимации) и при нажатии кнопки «Выбор наилучшей модели» выделяется уравнение с наилучшим значением согласно выбранному критерию. После этого, при нажатии кнопки «Расчет дат» появляется окно вывода расчетных дат (рисунок 3.13)

Рисунок 3.13 – Окно вывода расчетных дат технологических операций в программном комплексе

После выбора прогнозируемого года и нажатию кнопки «Расчет прогноза» согласно полученному регрессионному уравнению и агроклиматическим данным прогнозируемого года осуществляется расчет рекомендуемых дат технологических операций.

Результаты прогнозирования сроков агротехнологических операций приведены в таблице 3.3.

Рекомендуемые температуры td определялись в зависимости от точности и адекватности моделей. В программном комплексе предусмотрена возможность выбора рекомендуемой температуры для посева в зависимости от агроклиматических условий года. Для линейной и нелинейной зависимости использовались периоды суммирования параметров, при которых модели были значимыми, адекватными и имели наибольшую точность согласно коэффициенту детерминации и средней ошибке аппроксимации.

Таблица 3.3 - Оценка точности уравнений и результаты расчета дат посева по Иркутской области

Пункт наблюдения

Иркутск

Усолье-Сибирское

Тулун

Уравнение регрессии

y=-0,0018x2+

+0,21x-29,7

y=-0,071x+66,4

y=-1,05x12-0,096x22+

+0,00072x1+0,0027x2+ +386

Рекомендуемая температура td

10°C

8°C

6°C

Многолетний период

1989 – 2009 гг.

1987 – 2010 гг.

1987 – 2008 гг.

Период суммирования параметров

1-19 апреля

1-21 апреля

11 – 30 апреля

Коэффициент детерминации

0,81

0,81

0,80

Стандартная ошибка аппроксимации, суток

2,5

2,3

1,3

Средняя относительная погрешность, %

15,1

13,2

15,2

Расчетная дата посева на 2012 г.

30 апреля

29 апреля

2 мая

Согласно таблице для расчета дат посева зерновых культур для Иркутска применимы однофакторные полиномиальные уравнения, для
Усолья-Сибирского - однофакторные линейные зависимости, а для Тулуна – двухфакторные полиномы второй степени.

Помимо оценки качества моделей программный комплекс позволяет осуществлять ретроспективные прогнозы, результаты которых подтверждают возможность использования регрессионных зависимостей для прогнозирования сроков посева. С помощью комплекса получены точечные и интервальные оценки дат посева, при этом при уровне значимости 0,05 интервалы колеблются от 4 до 6 суток. Результаты прогнозирования проверены на реальных объектах. Следует отметить, что расчётная дата посева на 2012 г. по Тулуну совпала с фактической рекомендуемой датой. Однако для Иркутска и Усолья-Сибирского такое сравнение не выполнено ввиду отсутствия данных.

Прогностические даты могут быть скорректированы экспертами в качестве которых выступают агрономы.

Предложенные алгоритмы прогнозирования могут быть использованы и для территорий других природно-климатических зон при наличии информации о результативном признаке и факторах на него влияющих.

Согласно интерфейсу полученные прогнозные даты операций адаптированные к климатическим условиям используются АСУ «Хозяйство» для составления технологической карты.

Полученные в ходе функционирования комплекса даты операций можно экспортировать в табличный процессор Microsoft Excel для последующей обработки и распечатки.

Конечным результатом реализации функции прогнозирования и планирования агротехнологических операций в программном комплексе является технологическая карта. Для ее составления АСУ «Хозяйство» использует спрогнозированные даты технологических операций. Пример технологической карты рассчитанной в этом комплексе представлен в приложениях 1 и 2.

Кроме того, программный комплекс позволяет с помощью ГИС-системы MapInfo полученные даты начала посевов использовать для составления карт их пространственного распределения. При этом возможны два варианта распределения дат: по муниципальным районам, когда по каждому району используется одна дата и по участкам, полученным в ходе интерполяции точечных данных по пунктам наблюдений.

При первом варианте распределения, границы участков различных дат посевов совпадают с границами муниципальных районов, и в пределах одного района устанавливается одна дата посева. Однако климатические условия в разных зонах одного района не одинаковы, и рекомендуемые даты посевов могут отличаться. В особенности это касается крупных по площади районов. Этот вариант эффективен для малых районов или при наличии данных только по одному пункту района. На рисунке 3.14 показан пример такой карты по расчетным датам посева на 2012 г. для трёх районов.

Рисунок 3.14 – Пример карты пространственного распределения дат посева зерновых культур по муниципальным районам созданный в MapInfo 

Второй вариант распределения дат основан на разделении по участкам с одинаковыми датами посева, основанный на интерполяции точечных прогнозных данных по этим датам. Применяется при наличии фактических данных от многих пунктов наблюдений или метеоплощадок предприятий (которые могут располагаться вне населенных пунктов) и позволяет более адекватно распределять участки с одинаковыми датами посева согласно этим данным.

На рисунке 3.15 показан пример карты распределения дат по участкам по смоделированным данным.

Разработанный программный комплекс планирования технологических операций основывается на созданном комплексе алгоритмов определения сроков агротехнологических операций, математическом обеспечении и специальной базе данных, включающей агроклиматические сведения.

Рисунок 3.15 – Пример карты пространственного распределения дат посева зерновых культур по участкам на основе точечных данных в MapInfo 

Важной функцией программного комплекса является решение задач оптимизации структуры производства. Программный комплекс позволяет находить решение трех различных вариантов задач оптимизации структуры производства сельскохозяйственной продукции: с детерминированными параметрами, интервальными оценками этих параметров, и интервальной оценкой коэффициентов влияния своевременности посева.

Рассмотрим решение задач оптимизации структуры посевных площадей в программном комплексе на примере предприятия УНПП «Семена» Иркутского района. Для предприятия необходимо составить оптимальную структуру посевных площадей по следующим культурам (группам культур): зерновые, овощные, картофель, кормовые корнеплоды, однолетние травы на сено и на зеленый корм, многолетние травы на сено и на зеленый корм. В качестве критерия оптимизации рассматривается минимум затрат на производство. При этом необходимо учитывать различные варианты планов в зависимости от ситуации посева: ранний, оптимальный и поздний.

В качестве исходной информации использовалось следующие предоставленные предприятием данные:

- постоянные материальные затраты на обработку 1 га посевной площади (в рублях) по группам операций (посевные, уход за посевом, уборочные) для каждой из видов культур;

- средние значения переменных материальных затрат на обработку 1 га посевной площади (в рублях), зависящих от своевременности посева (затраты на удобрение, затраты на ядохимикаты, затраты на сушку зерна) для каждой из видов культур;

- удельные трудовые затраты на обработку 1 га посевной площади по группам операций (в чел.*час) для каждой из видов культур;

- средние урожайности культур;

- минимальный необходимый объем продукции каждой из групп культур (в ц.)

- максимальная отведенная площадь для каждой из культур;

- максимальный объем трудовых ресурсов отведенных на каждую их групп операций по видам культур.

Кроме перечисленной информации использовались экспертные оценки коэффициентов влияния своевременности посева (таблица 3.1) и их верхние и нижние оценки (таблица 3.2).

Обратим внимание на то что в этой постановке задачи материальные затраты на производство условно разделены на постоянные, т.е. независящие от своевременности посева и на переменные, зависящие от них.

Собранная информация была занесена в базу данных АСУ «Хозяйство» и посредствам интерфейса разработанного комплекса использована в MS Excel для составления числовой модели (приложение 9) и последующего решения с помощью надстройки «Поиск решения».

Результатом решения задачи первого типа с детерминированными параметрами является таблица, в которой приведены искомые площади, удельные затраты на 1 га для каждой из групп культур и общие затраты на производство для каждой из ситуаций посева (таблица 3.4).

Таблица 3.4 - Результаты решений задачи оптимизации структуры посевных площадей для УНПП «Семена» при различных ситуаций посева

Срок посева культур

Показа-тели

Культуры

Зерновые культуры

Овощные

Картофель

Кормовые корнеплоды

Однолетние травы на сено

Однолетние травы на зеленый корм, сенаж

Многолетние травы на сено

Многолетние травы на зеленый корм, сенаж

Всего

Ранний

Затраты на 1 га, руб.

438,1

633,3

577

72,4

52,5

406,5

499,3

94,37

2786305

Площади, га

5178

6,35

11,7

10

120

650

444,4

150

6570

Оптима-льный

Затраты на 1 га, руб.

408,2

610,7

574,7

70,5

48,9

398,7

492,4

91,99

2618380

Площади, га

5224

5,71

10,53

10

120

650

400

150

6570

Позд-ний

Затраты на 1 га, руб.

418,3

611,7

575,1

71

47,9

396,5

490,4

91,31

2670357

Площади, га

5202

6,02

11,08

10

120

650

421,1

150

6570

Согласно таблице 3.4 общие затраты на производство при раннем посеве больше на 6,4%, чем при оптимальном сроке посева, при этом площадь зерновых культур уменьшается на 0,90%, площади овощей, картофеля и многолетних трав на сено увеличиваются примерно на 11,1% каждая. Площади остальных культур не изменятся. Общие затраты при позднем посеве больше на 1,9% по сравнению с посевом в оптимальные сроки, при этом площадь зерновых культур уменьшается на 0,87%, площади овощей, картофеля и многолетних трав на сено увеличиваются на 5,3% каждая, при неизменных площадях других культур.

Для решения задач с интервальными оценками использован метод статистических испытаний. При этом для задачи второго типа с интервальными оценками коэффициентов влияния сроков посева смоделировано множество различных значений этих коэффициентов в пределах от минимального и максимального согласно таблице 3.2 и задача оптимизации структуры площадей решается многократно для каждого из этих значений.

Конечным результатом решения задачи являются сводные таблицы 3.5 – 3.7 в которых приведены максимальные, минимальные и средние искомые площади и материальные затраты по группам культур для каждой ситуации посева, а также расхождение их экстремальных значений.

Таблица 3.5 - Результаты решений задачи оптимизации структуры посевных площадей для УНПП «Семена» с интервальными оценками коэффициентов влияния своевременности посева (ранний посев)

Значения

Показатели

Культуры

Зерновые культуры

Овощные

Картофель

Кормовые корнеплоды

Однолетние травы на сено

Однолетние травы на зеленый корм, сенаж

Многолет-ние травы на сено

Многолетние травы на зеленый корм, сенаж

Всего

Макси-мальные

Затраты на 1 га, руб.

442,5

636,3

577,3

72,6

53,0

407,6

500,3

94,7

2904912

Площади, га

5500

8,14

14,99

10

120

650

591,8

150

Мини-мальные

Затраты на 1 га, руб.

437,5

632,7

577

72,4

52,1

405,6

498,5

94,1

2786198

Площади, га

5111

6,4

11,8

7,69

38,0

383

447,8

11,4

Средние

Затраты на 1 га, руб.

439,6

634,4

577,1

72,5

52,6

406,7

499,5

94,4

2816516

Площади, га

5244

7,27

13,4

9,55

105

559

512,5

119,8

Расхож-дение (макс. от мин.), %

Затраты на 1 га, руб.

1,14

0,56

0,05

0,34

1,77

0,49

0,36

0,65

4,2

Площади, га

7,61

27,2

27,2

30,1

216

69,7

32,2

1213

Таблица 3.6 - Результаты решений задачи оптимизации структуры посевных площадей для УНПП «Семена» с интервальными оценками коэффициентов влияния своевременности посева (оптимальный посев)

Значения

Показатели

Культуры

Зерновые культуры

Овощные

Картофель

Кормовые корнеплоды

Однолетние травы на сено

Однолетние травы на зеленый корм, сенаж

Многолетние травы на сено

Многолетние травы на зеленый корм, сенаж

Всего

Макси-мальные

Затраты на 1 га, руб.

412

613,1

5745

70,75

49,4

399,8

493,3

92,3

2635165

Площади, га

52612

6,34

11,7

10

120

650

443,8

150

Минима-льные

Затраты на 1 га, руб.

404

607,9

574,4

70,3

48,5

397,8

491,5

91,7

2598437

Площади, га

5178

5,2

9,6

10

120

650

363,7

150

Средние

Затраты на 1 га, руб.

408

611

574,7

70,5

49,0

399

492,4

92

2619205

Площади, га

5216

5,8

10,7

10

120

650

407,1

150

Расхож-дение (макс. от мин.), %

Затраты на 1 га, руб.

1,78

0,85

0,09

0,63

1,94

0,52

0,37

0,68

1,4

Площади, га

1,61

22

22

0,0

0,0

0,0

22

0,0

Таблица 3.7 - Результаты решений задачи оптимизации структуры посевных площадей для УНПП «Семена» с интервальными оценками коэффициентов влияния своевременности посева (поздний посев)

Значения

Показатели

Культуры

Зерновые культуры

Овощные

Картофель

Кормовые корнеплоды

Однолетние травы на сено

Однолетние травы на зеленый корм, сенаж

Многолетние травы на сено

Многолетние травы на зеленый корм, сенаж

Всего

Максима-льные

Затраты на 1 га, руб.

442,5

636,3

577,3

72,6

53

407,6

500

94,7

2904912

Площади, га

5500

8,14

15

10

12

650

592

150

Минима-льные

Затраты на 1 га, руб.

437,5

632,7

577

72,4

52

405,6

498

94

2786198

Площади, га

5111

6,4

11,8

7,7

38

383

448

11,4

Средние

Затраты на 1 га, руб.

439,6

634,4

577

72,5

52,6

406,7

499,5

94,4

2816516

Площади, га

5244

7,27

13,4

9,6

105

558,6

512,5

119,8

Расхожде-ние (макс. от мин.), %

Затраты на 1 га, руб.

1,14

0,56

0,05

0,34

1,77

0,49

0,36

0,65

4,21

Площади, га

7,61

27,19

27,2

30,1

215,7

69,7

32,2

1213

Согласно таблицам 3.5 - 3.7 критерий оптимальности для раннего и позднего посевов отличаются на 4,2 %, при этом в значительной степени меняются искомые переменные, которые колеблются в пределах от 7 до 1200%. Что касается ситуации оптимального посева критерий оптимальности меняется незначительно, на 1,4%, а искомые площади по кормовым корнеплодам, однолетним травам на сено и на зелёный корм, а также многолетним травам на зелёный корм не меняются вовсе. Полученные площади по другим культурам меняются в пределах от 1,6 до 22%.

В отличии от предыдущей задачи для решения третьего типа задач использовались интервальные оценки не коэффициентов влияния своевременности посева, а параметров, зависящих от них: затраты на удобрение, затраты на ядохимикаты, затраты на сушку зерна. При этом их значения моделировались в пределах от минимальных до максимальных вне зависимости от ситуации посева. Конечным результатом решения этой задачи является сводная таблица 3.8, в которой приведены экстремальные и средние значения искомых параметров и их расхождение.

Таблица 3.8 - Результаты решений задачи оптимизации структуры посевных площадей для УНПП «Семена» с интервальными оценками параметров, зависящих от своевременности посева

Значения

Показа-тели

Культуры

Зерновые культуры

Овощные

Картофель

Кормовые корнеплоды

Однолетние травы на сено

Однолетние травы на зеленый корм, сенаж

Многолетние травы на сено

Многолетние травы на зеленый корм, сенаж

Затраты, всего, руб

Максима-льные

Затраты на 1 га, руб.

435,9

627

577

72,1

52,5

406

499,2

94,3

2769565

Площади, га

5262

6,27

11,6

10

120

650

438,9

150

Минима-льные

Затраты на 1 га, руб.

406,9

609

575

70,5

47,7

397

490,5

91,3

2606974

Площади, га

5183

5,2

9,57

10

120

650

363,7

150

Средние

Затраты на 1 га, руб.

423

619

576

71,3

50

401

494,4

92,7

2699587

Площади, га

5222

5,7

10,6

10

120

650

401,7

150

Расхож-дение (макс. от мин.), %

Затраты на 1 га, руб.

7,1

3,0

0,31

2,2

9,4

2,5

1,79

3,29

6,02

Площади, га

1,5

20,7

20,7

0,0

0,0

0,0

20,7

0,0

Согласно таблице 3.8 расхождение общих затрат на производство при наименьшем и наибольшем значениях целевой функции составляет 6,0%. При этом площадь зерновых культур для наибольшего значения критерия оптимальности меньше на 0,9%, чем для наименьшего, а площади овощей, картофеля и многолетних трав на сено больше примерно на 11,8% по каждой культуре, а остальных культур - одинакова.

Таким образом, для прогнозирования дат агротехнологических операций в программном комплексе предусмотрены два режима работы – обычный и расширенный, что дает возможность пользоваться им не только специалистам, знакомым с разработанной методикой прогнозирования, но и простым работникам сельскохозяйственных предприятий без специальных навыков.

Полученные результаты расчета рекомендуемых дат можно использовать в других программных комплексах - АСУ «Хозяйство» для расчета технологических карт и ГИС-системах для получения карты пространственного распределения прогностических дат посева.

С помощью программного комплекса можно решать различные виды задач оптимизации структуры посевных площадей с учетом ситуаций посева.

К недостаткам системы можно отнести отсутствие долгосрочного прогнозирования дат технологических операций (с заблаговременностью в несколько месяцев и более), это связано с особенностью алгоритмов прогнозирования, заложенных в ее основу.

Система предназначена для использования на средних и крупных предприятиях АПК Иркутской области разных природно-экономических зон. Основными пользователями программного комплекса являются агроном и экономист. Использование этого программного комплекса на предприятиях АПК позволит повысить эффективность планирования производства в целом.


Выводы

1. Поставлена и формализована задача прогнозирования дат агротехнологических операций на основе анализа статистических особенностей рассматриваемых параметров и определения связей между рекомендуемыми сроками возделывания сельскохозяйственных культур и погодно-климатическими факторами.

2. Разработаны однофакторные и многофакторные, линейные и нелинейные модели, описывающие связи между датами посева и предшествующими факторами тепла и увлажнения.

3. Классифицированы алгоритмы прогнозирования сроков агротехнологических операций в зависимости от включаемых в модель факторов, формы связи, заблаговременности, продолжительности многолетнего периода, использования прогностических данных и особенностей тенденции изменчивости температуры почвы, реализованные для трех муниципальных районов Иркутской области.

4. Разработаны и реализованы модели оптимизации аграрного производства с детерминированными параметрами и интервальными оценками с учетом мнения экспертов, позволяющие планировать выпуск продукции в зависимости от своевременности посева.

5 Создан программный комплекс, с помощью которого осуществляется прогнозирование сроков агротехнологических операций согласно разработанным моделям и планирование агротехнологических операций на основе взаимодействия ядра комплекса с внешними источниками информации, программным обеспечением, включающим статистическую обработку данных, методы решения задач математического программирования, и геоинформационными технологиями.


Литература

  1.  Автоматизация в растениеводстве [Текст] / С.И. Иофинов, Н.Н. Гевейлер, Л. Коллар и др. - М.: Агропромиздат, 1992. - 238 с.
  2.  Автоматизация научных исследований в области растениеводства. Проблемы фитотронии [Текст] / ВНИИ растениеводства; Редкол.:  Я.С. Нестеров (гл.ред.) и др. - Л.: ВИР, 1991. - 89 с.
  3.  Агрономия: Учебник для вузов [Текст] / В.Д. Муха [и др.]; под ред. В.Д. Мухи. - М.: Колос, 2001. - 503 с.
  4.  Алейников, А.Ф. Проблемы информатизации сельскохозяйственной науки Сибири [Текст] / А.Ф. Алейников, Д.Н. Голышев, Н.М. Габитов, А.Л. Дудкин и др. / под ред. проф. А.Ф. Алейникова. – Новосибирск: СибФТИ, 2005. – 318 с.
  5.  Альт В.В. Создание и использование компьютерных информационных систем в сельском хозяйстве [Текст] / В.В. Альт. - Новосибирск: СибФТИ, 2005. – 126 с.
  6.  Апполов Б.А. Курс гидрологических прогнозов [Текст] / Б.А. Апполов, Г.П. Калинин, В.Д. Комаров. –Ленинград: Гидрометеоиздат, 1974. – 420 с.
  7.  Асалханов, П.Г. База данных для информационной системы планирования производства растениеводческой продукции [Текст] / П.Г. Асалханов // Труды XVI Байкальской Всероссийской конференции «Информационные и математические технологии в науке и управлении». Иркутск: ИСЭМ СО РАН, 2011 – Часть II. – С. 78-83.
  8.  Асалханов, П.Г. Линейные и нелинейные многофакторные модели в задаче прогнозирования сроков агротехнологических операций / П.Г. Асалханов // Научно-технический журнал «Вестник СГТУ». – 2012. – Вып.4 (68). – С. 171-176.
  9.  Асалханов, П.Г. Линейные и нелинейные регрессионные модели в описании изменчивости параметров аграрного производства / П.Г. Асалханов, Я.М. Иваньо, Н.И. Федурина // Материалы Международной научно-практической конференции «Природопользование и аграрное производство». – Иркутск: Изд-во ИрГСХА, 2012 – Ч.I. – С. 203-208.
  10.  Асалханов, П.Г. Моделирование оптимальных сроков посевов зерновых культур на основе многофакторного анализа [Текст] / П.Г. Асалханов, Я.М.  Иваньо, Н.И. Федурина // Природа и сельскохозяйственная деятельность человека: Материалы международной научно-практической конференции, Иркутск: Изд-во ИрГСХА, 2011 – Часть II. – С. 152-157.
  11.  Асалханов, П.Г. О модели информационной системы производства и переработки зерна [Текст] // Материалы региональной научно-практической конференции молодых ученых Сибирского федерального округа с международным участием посвященной 65-летию Победы в Великой Отечественной войне «Информационные технологии в АПК». – Иркутск: ИрГСХА, 2010. – С .125-133.
  12.  Асалханов, П.Г. О модели оптимального размещения посевов для планирования сельскохозяйственного производства продукции [Текст] / П.Г. Асалханов // Труды XV Байкальской Всероссийской конференции «Информационные и математические технологии в науке и управлении». Том 1. – Иркутск: ИСЭМ СО РАН, 2010. – С. 253-258.
  13.  Асалханов, П.Г. О некоторых алгоритмах прогнозирования дат технологических операций возделывания зерновых культур [Текст] / П.Г. Асалханов, Я.М. Иваньо // Научно-практический журнал «Вестник ИрГСХА», выпуск 47. – Иркутск: ИрГСХА, 2011. – С.116-120.
  14.  Асалханов, П.Г. О проектировании базы данных по растениеводству для планирования производства сельскохозяйственной продукции [Текст] / П.Г. Асалханов, Н.И. Федурина // Труды XIV Байкальской Всероссийской конференции «Информационные и математические технологии в науке и управлении». Том 2. – Иркутск: ИСЭМ СО РАН, 2009. - С. 135-140.
  15.  Асалханов, П.Г. Об информационном обеспечении управления растениеводством и животноводством [Текст] / П.Г. Асалханов, Л.В. Нефедьев, Т.Р. Галимзянов, В.А. Медведев // Сборник статей международной научно-практической конференции, посвященной 75-летию образования ИрГСХА «Климат, экология, сельское хозяйство Евразии». – Иркутск:НЦ РВХ ВСНЦ СО РАМН, 2009. – С. 52-57.
  16.  Асалханов, П.Г. Оптимизация производства растениеводческой продукции с учетом прогноза даты посева / П.Г. Асалханов, А.М. Зайцев, Я.М. Иваньо // Материалы 13-й междунар. науч. конф. «Сахаровские чтения 2013: экологические проблемы XXI века».  – Минск: МГЭУ им. Сахарова, 2013 – С. 163-164.
  17.  Асалханов, П.Г. Особенности моделей прогнозирования сроков агротехнологических операций в различных природно-климатических условиях / П.Г. Асалханов // Научный журнал "Современные технологии. Системный анализ. Моделирование".  – 2012. – Вып.4 (36).  – С. 218–223.
  18.  Асалханов, П.Г. Прогнозирование оптимальных сроков посева зерновых культур с учетом изменчивости агроклиматических показателей [Текст] / П.Г. Асалханов // Труды IV Всероссийская конференция «Винеровские чтения» – Иркутск: ИрГТУ, 2011 - Т1.  – С. 219-224.
  19.  Асалханов, П.Г. Факторные модели прогнозирования даты посева сельскохозяйственных культур / П.Г. Асалханов, Я.М. Иваньо, Н.И. Федурина // Электронный научный журнал «Известия ИГЭА».  – 2012. – Вып.5.
  20.  Афанасьев, В. Н. Анализ временных рядов и прогнозирование : учеб. [Текст] / В. Н. Афанасьев, М. М. Юзбашев. – М. : Финансы и статистика, 2001. – 228 c.
  21.  Банк, В.Р. Информационные системы в экономике  : учеб. вузов по спец. «Прикладная информатика» [Текст] / В.Р. Банк, В.С. Зверев. - М.: Экономистъ, 2005. - 477 с.
  22.  Балдуев, А.Ц. Технология производства продукции растениеводства (ТППР). Раздел "Растениеводство": Учеб.-метод. пособие [Текст] /
    А.Ц. Балдуев, А.Б. Бутуханов; Бурят. гос. с.-х. акад. - Улан-Удэ: БГСХА, 1999. – 106 с.
  23.  Барсукова, М.Н. Оптимизационные модели планирования производства стабильных сельскохозяйственных предприятий [Текст] / М.Н. Барсукова, Я.М. Иваньо. – Иркутск: Изд-во ИрГСХА, 2011. – 159 с.
  24.  Батталов, Ф.З. Сельскохозяйственная продуктивность климата для яровых зерновых культур [Текст] / Ф.З. Батталов. - СПб.: Гидрометеоиздат, 1980. – 112 с.
  25.  Белозоров, А.Т. Сроки и способы посева зерновых культур [Текст] / А.Т. Белозоров – Иркутск.: Союзполиграфпром, 1949. – 40 с.
  26.  Белякова А.Ю. Вероятностные модели экстремальных гидрологических явлений в задачах оптимизации сельскохозяйственного производства / А.Ю. Белякова, Я.М. Иваньо // Монография. – Иркутск: ИрГСХА, 2009. – 156 с.
  27.  Беспятых, В.И. Методические рекомендации по расчету технологических карт и оптимизации технологических уровней растениеводства на основе применения информационных технологий [Текст] / В.И. Беспятых, А.С. Лукин, Е.В. Лукина. - Киров: Вятская ГСХА, 2008. –  63 с.
  28.  Бережная, Е.В. Математические методы моделирования экономических систем: Учеб. пособие. – 2-е изд., перераб. и доп. [Текст] / Е.В. Бережная, В.И. Бережной – М.: Финансы и статистика, 2006. – 432 с.
  29.  Бефани, Н.Ф. Прогнозирование дождевых паводков на основе территориально общих зависимостей [Текст] / Н.Ф. Бефани – Ленинград: Гидрометеоиздат, 1977. – 184 с.
  30.  Браславец, М.Е. Экономико-математические методы в организации и планировании сельскохозяйственного производства [Текст] / М.Е. Браславец. - М.: Экономика, 1971. - 354 с.
  31.  Бухалков, М.И. Планирование на предприятии: учеб. для вузов [Текст] / М.И. Бухалков. - 3-е изд., испр. . - М.: ИНФРА-М, 2008. - 415 с.
  32.  Вайнруб, В.И. Технология производственных процессов и операций в растениеводстве: Учебник для вузов [Текст] / В.И. Вайнруб, П.В. Мишин, В.Х. Хузин. - Чебоксары: Чувашия, 1999. - 454 с.
  33.  Вавилов, П.П. Растениеводство [Текст] / П.П. Вавилов, В.В. Гриценко, В.С. Кузнецов и др. – М.: Агропромиздат, 1086. – 512 с.
  34.  Вашукевич, Е.В. Математические модели аграрного производства с вероятностными характеристиками засух и гидрологических событий: диссертация … кандидата технических наук: 05.13.18. Иркутская ГСХА, Иркутск, 2010.
  35.  Вендров, А.М. Практикум по проектированию программного обеспечения экономических информационных систем: Учеб. пособие для вузов [Текст] / А.М. Вендров. - М.: Финансы и статистика, 2002. - 190 с.
  36.  Волкова, В.Н. Теория систем и системный анализ в управлении организациями: Справочник: Учебно-справочное издание [Текст] / В.Н. Волкова, В.А. Баринов, Л.С. Болотова – М.: Финансы и статистика, 2006 – 848 с.
  37.  Волков, С.Н. Экономические модели в землеустройстве: Учеб.-практ. пособие (интерактивная форма) [Текст] / С.Н. Волков, А.Н. Безгинов. – М.: Колос, 2001. - 283 с.
  38.  Гатаулин, А.М. Математическое моделирование экономических процессов в сельском хозяйстве [Текст] / А. М. Гатаулин, Г. В. Гаврилов, Т. М. Сорокина. – М. : Агропромиздат, 1990. – 432 с.
  39.  Гатаулина, Г.Г. Практикум по растениеводству: учеб. пособие для сред. спец. учеб. заведений [Текст] / Г.Г. Гатаулина, М.Г. Объедков. - М.: Колос, 2000. - 216 с.
  40.  Горемыкин, В.А. Планирование на предприятии: учеб. для вузов [Текст] / В.А. Горемыкин. - 4-е изд., перераб. и доп. - М.: Высш. шк., 2007. – 609 с.
  41.  Гордеев, А.В. Российское зерно - стратегический товар XXI века: учеб. для с.-х. вузов по экон. спец. : рек. Учеб.-метод. об-нием [Текст] /
    А.В. Гордеев, В.А. Бутковский, А.И. Алтухов. - М.: ДеЛи принт, 2007. - 472 с.
  42.  Горемыкин, В.А. Планирование на предприятии: учеб. для вузов [Текст] / В.А. Горемыкин. - 4-е изд., перераб. и доп. - М.: Высш. шк., 2007. -
    609 с.
  43.  Гриценко, О.Н. Методические рекомендации для разработки технологических карт сельскохозяйственных культур (Учебно-методическое пособие) [Текст] / О.Н. Гриценко. – Иркутск: Изд-во ИрГСХА, 2011. – 30 с.
  44.  Денисов, Я.И. Информационное обеспечение планирования в отрасли растениеводства: диссертация … кандидата экономических наук: 08.00.05. Воронежский ГАУ, Воронеж, 2010.
  45.  Дербенева, Г.Ф. Планирование на предприятии АПК: практикум по бизнес-планированию: учеб. пособие для вузов [Текст] /
    Г.Ф. Дербенева. - М.: ЭкМОС, 2002. - 96 с.
  46.  Дружинин, И.П. Закономерности и прогнозирование природных явлений  [Текст] / И.П. Дружинин, А.П Резников, В.Н. Синюкович и др. М: Наука, 1980. – 270 с.
  47.  Емельянов, А.А. Имитационное моделирование экономических процессов: Учеб. пособие [Текст]  / А.А. Емельянов, Е.А. Власова, Р.В. Дума. – М.: Финансы и статистика, 2002. – 368 с.
  48.  Емельянов, А.М. Экономика сельского хозяйства: Учебник для студентов экон. спец. вузов и университетов [Текст] / А.М. Емельянов – М.: Экономика, 1982. – 560 с.
  49.  Жичкин, К.А. Планирование на предприятии АПК: учеб. пособие для вузов [Текст] / К.А. Жичкин, А.А. Пенкин; Самар. гос. с.-х. акад. - Самара: СГСХА, 2004. - 135 с.
  50.  Зверев, А. Ф. Модели рядов экономических показателей региона [Текст] / А. Ф. Зверев, Я. М. Иваньо // Актуальные проблемы АПК : материалы регион. науч.-практ. конф. - Иркутск, 2002. - Ч. 1. - С. 34-35.
  51.  Иваньо, Я.М. Методы моделирования производственных процессов в АПК [Текст] / Я.М. Иваньо, М.Н. Барсукова, Т.С. Бузина // Учебное пособие по самостоятельной работе.  – Иркутск: ИрГСХА, 2008. – 184 с.
  52.  Иваньо, Я.М. Моделирование природных событий для управления региональными народно-хозяйственными объектами [Текст] / Я.М. Иваньо, Н.В. Старкова. – Иркутск: Изд-во ИрГСХА, 2011. – 159 с.
  53.  Иваньо, Я.М. Оптимизация использования земельных ресурсов региона в условиях неполной информации / Я.М. Иваньо, Е.С. Труфанова - Иркутск: Изд-во ИрГСХА, 2011. – 163 с.
  54.  Иваньо, Я.М. Подходы и методы описания экстремальных климатических явлений для решения прогностических задач [Текст] / Я.М. Иваньо // Труды Всероссийской конференции «Математические и информационные технологии в энергетике, экономике, экологии».- Иркутск: ИСЭМ СО РАН, 2003. - Ч.1. - С.45-53.
  55.  Информационные технологии, системы и приборы в АПК. Ч.2. Материалы Международ. науч.-практ. конф. «АГРОИНФО-2006» [Текст] / Россельхозакадемия. Сиб. отделение. – Новосибирск, 2006. – 290 с.
  56.  Исаев, Г.Н.. Информационные системы в экономике: учеб. пособие для вузов [Текст] /  Г. Н. Исаев. - М.: Омега-Л, 2006. - 462 с.
  57.  Канторович, А.В. Математические методы организации и планирования производства (ЛГУ, Л., 1939г.) [Текст] / А.В. Канторович. Применение математики в экономических исследованиях. – М.: СОЦ изд., 1959. – 251-271 с.
  58.  Карасев А.И: Учеб. пособие [Текст] / А.И Карасев,  Н.Ш Кремер, Т.И Савельев.  Математические методы и модели в планировании. - М.: Экономика, 1987. - 126с.
  59.  Кардаш, В. А. Модели управления производственно-экономическими процессами в сельском хозяйстве [Текст] / В. А. Кардаш. – М. : Экономика, 1981. – 184 с.
  60.  Кейн, Э. Экономическая статистика и эконометрия [Текст] / Э. Кейн. - М.: Статистика, 1977. – 187с.
  61.  Кельтон, В. Имитационное моделирование. Классика CS [Текст] / В. Кельтон, А. Лоу. – СПб.: Питер: Киев: Издательская группа BHV, 2004. – 847 с.
  62.  Кильдишев, Г.С., Френкель А.А Анализ временных рядов и прогнозирование [Текст] / Г.С. Кильдишев. - М.: Статистика, 1973. – 304 с.
  63.  Климова, Эмилия Васильевна. Технология производства продукции растениеводства в Забайкалье: учеб. пособие [Текст] / Э. В. Климова. - Чита: Поиск, 2004. - 671 с.
  64.  Колобова, А.И. Планирование в сельскохозяйственных предприятиях: Учеб. пособие для вузов [Текст] / А.И. Колобова. - 4-е изд., перераб. и доп. - Барнаул: Алтай, 2000. - 324 с.
  65.  Компьютеризация сельскохозяйственного производства: Учебник для сред. спец. учеб. заведений [Текст] / В.Т. Сергованцев, Е.А. Воронин, Т.И. Воловник, Н.Л. Катасонова. - М.: Колос, 2001. - 271 с.
  66.  Константинов, А.Р. Почвенно-климатические ресурсы и размещение зерновых культур [Текст] / А.Р. Константинов, Е.К. Зоидзе, С.И. Смирнова. – СПб.: Гидрометеоиздат, 1981. – 280 с.
  67.  Коробков, П.Н. Математическое программирование и моделирование экономических процессов [Текст] / П.Н. Коробков // Учебник. Изд. третье перераб. и доп. – СПб.: ООО «Издательство ДНК», 2006. – 376 с.
  68.  Кравченко, Р.Г. Математическое моделирование экономических процессов в сельском хозяйстве [Текст] / Р. Г. Кравченко. - М. : Колос, 1978. - 465 с.
  69.  Кравченко, Р.Г. Экономико-математические методы в организации и планировании сельскохозяйственного производства [Текст] / Р.Г. Кравченко, И.В. Попов, С.З. Толпекин – М.: «Колос», 1973. – 528 с.
  70.  Кузнецов, В.В. Программное обеспечение систем управления сельскохозяйственным производством [Текст] / Кузнецов В.В.  –
    Ростов- н/Д.: ВНИИЭиН, 2003. – 27с.
  71.  Кулик, Г.В. Планирование на сельскохозяйственных предприятиях [Текст] /  Г.В. Кулик, Л.П. Сычев – М.: Россельхозиздат, 1980. – 270 с.
  72.  Кундышева, Е.С. Математическое моделирование в экономике: Учеб. пособие для вузов [Текст] / Е.С. Кундышева; Под ред. В.А. Суслакова. - М.: Дашков и К°, 2004. - 352 с.
  73.  Лапин, М.М. Растениеводство [Текст] / М.М. Лапин. - М. : Сельхозгиз, 1947. - 599 с.
  74.  Личко, К.П. Прогнозирование и планирование аграрно-промышленного комплекса: Учебник для вузов [Текст] / К.П. Личко. - М.: Гардарики, 1999. - 263 с.
  75.  Личко, К.П. Прогнозирование и планирование развития агропромышленного комплекса [Текст] / К.П. Личко. – М.: КолосС, 2007. – 286 с.
  76.  Меняев, М.Ф. Информационные технологии управления: Учеб. пособие для вузов: В 3 книгах [Текст] / М.Ф. Меняев - М.: Омега-Л, 2003 - 462 с.
  77.  Методические указания и материалы для составления технологических карт возделывания сельскохозяйственных культур [Текст] / Сост. А.Ф. Зверев – Иркутск: ИСХИ, 1987. – 48 с.
  78.  Нечаев, В.И. Организация производства и предпринимательской деятельности в АПК [Текст] / В.И. Нечаев, П.Ф. Парамонов. – М.: КолосС, 2008. - 312 с.
  79.  Никитин, А.В. Управление предприятием (фирмой) с использованием информационных систем; учеб. пособие для вузов [Текст] /
    А.В. Никитин, И.А. Рачковская, И.В. Савченко. – М.: ИНФРА-М, 2007. – 187 с.
  80.  Организация сельскохозяйственного производства и менеджмент: учеб. для вузов [Текст] / Ф. К. Шакиров [и др.]; под ред. ред. Ф.К. Шакирова, Ю.Б. Королева. - М.: КолосС, 2008. - 607 с.
  81.  Орлова, И.В. Экономико-математические методы и модели: компьютерное моделирование [Текст] / И.В. Орлова, В.А. Половников. Уч. пос. – Изд. испр. и доп. – М.: Вузовский учебник, 2008. – 365 с.
  82.  Орлова, Т.Т. Моделирование социально-экономических и производственных процессов [Текст] / Т.Т. Орлова. – Иркутск.: ИрИИЖТ, 2001. – 188 с.
  83.  Орехов, Н.А. Математические методы и модели в экономике: Учеб. пособие для вузов [Текст] / Н.А. Орехов, А.Г. Лёвин, Е.А. Горбунов. – М.: ЮНИТИ-ДАНА, 2004. – 302 с. 
  84.  Основы технологии сельскохозяйственного производства. Земледелие и растениеводство: учеб. для вузов [Текст] / под ред. В.С.  Никляева. - М.: Былина, 2000. - 555 с.
  85.  Останин, В.А. Адаптивные технологии производства продукции растениеводствав системах земледелия Приангарья [Текст] / В.А. Останин, В.И. Солодун, Ю.С. Бажанов, В.Е. Решетский, А.М. Зайцев и др. // Агротехнические рекомендации. – Иркутск: Изд-во ИрГСХА, 2009. – 154 с.
  86.  Пасов, В.М. Изменчивость урожаев и оценка ожидаемой продуктивности зерновых культур [Текст] / В.М. Пасов. - СПб.: Гидрометеоиздат, 1986. – 152 с.
  87.  Перегудов, Ф.И. Введение в системный анализ [Текст] / Ф.И. Перегудов, Ф.П. Тарасенко. – М.: Высшая школа, 1989. - 360 с.
  88.  Писарева, О.М. Методы прогнозирования развития социально-экономических систем: учеб. пособие для вузов : допущено УМО [Текст] / О. М. Писарева. - М. : Высшая школа, 2007. - 591 с.
  89.  Планирование и прогнозирование развития АПК: метод. указ. по изуч. дисциплины и задания для контр. работ студентам-заочникам с.-х. вузов по спец. 060500, 060800, 060900 [Текст] / Иркут. гос. с.-х. акад.; сост.
    В.К. Большедворская. - Иркутск: ИрГСХА, 2003. - 44 с
  90.  Планирование на предприятии АПК: учеб. пособие для вузов [Текст] / К.С. Терновых [и др.]; под ред. К.С. Терновых. - М.: КолосС, 2007. -
    333 с.
  91.  Погодные условия и эффективность минеральных удобрений под зерновые культуры в лесостепи Приангарья: моногр. [Текст] / В.В. Житов, А.А. Долгополов, Н.Н. Дмитриев, А.К. Хаданов; Иркут. гос. с.-х. акад. - Иркутск: Изд-во ИрГСХА, 2006. - 228 с. :
  92.  Повышение эффективности производства зерна на основе научно-технического прогресса [Текст] / А.И. Алтухов [и др.]. - М.: АгриПресс, 2005. - 205 с.
  93.  Посыпанов, Г.С. Растениеводство [Текст] / Г.С. Посыпанов, В.Е. Долгодворов, Б.Х. Жеркухов и др. – М.: КолосС, 2007. – 612 с.
  94.  Попов В.К. Типовые нормативно-технологические карты по производству основных видов растениеводческой продукции [Текст] / Центр. нормат.-исслед. ст; разраб. В.К. Попов [и др.]. - М.: Экономика и право, 2004. - 385 с.
  95.  Практикум по выполнению лабораторно-практических занятий по курсу "Технология производства продукции растениеводства": Для студентов фак. механизации сел. хоз-ва/ Иркут. гос. с.-х. акад.; сост. Ю.А. Доманский, А.М. Зайцев, А.С. Филиппов, В.И. Солодун, М.С. Горбунова - Иркутск: Изд-во ИрГСХА, 2009. - 159 с.
  96.  Практикум по математическому моделированию экономических процессов в  сельском хозяйстве [Текст] / А. Ф. Карпенко [и др.]; под ред. А. Ф. Карпенко. – 2-е изд., перераб. и доп. – М. : Агропромиздат, 1985. – 269 с. 
  97.  Проблемы сельскохозяйственного производства в изменяющихся экономических и экологических условиях  : материалы междунар. науч.-практ. конф, посвящ. 25-летию Смолен. с.-х. ин-та, Ч. 2. Агрономия. Разд. 2 [Текст] / Смолен. с.-х. ин-т; редкол. Дементьев Н.А. [и др.]. - Смоленск : [б. и.], 1999. - 395 с.
  98.  Прогнозирование и планирование АПК: метод. рек. по орг. самостоят. работы при изучении дисциплины для экон. спец. заочн. формы обучения [Текст] / Забайкал. аграр. ин-т ф-л ИрГСХА; сост.
    В.К. Большедворская. - Чита: Изд-во ИрГСХА, 2004. - 41 с.
  99.  Прогнозирование и планирование в предприятиях агропромышленного комплекса: справ. Ч. 1 [Текст] / М-во сел. хоз-ва Российской Федерации. - М.: Экономика и право 2003. - 417 с.
  100.  Пряжинская, В.Г. Математическое моделирование в водном хозяйстве [Текст] / М.: Наука, 1985. - 113с.
  101.  Пути повышения урожайности сельскохозяйственных культур в условиях Приангарья: Сб. науч. тр. [Текст] / Иркут. гос. с.-х. акад.; отв. ред. В. А.  Рычков. - Иркутск: ИрГСХА, 2000. – 87 с.
  102.  Растениеводство: Учеб. пособие [Текст] / В.А. Алабушев,
    А.В. Алабушев, В.В. Алабушев и др.; Под ред. В.А. Алабушева. - Ростов-на-Дону: МарТ, 2001. – 383 с.
  103.  Растениеводство в Забайкалье. Учеб. пособие для вузов [Текст] / Н.В. Барнаков, В.П. Баиров, А.Г. Кушнарев и др.; Под ред. В.П. Баирова. - Улан-Удэ: Изд-во БГСХА, 1999. – 422 с.
  104.  Решение задач управления аграрным производством в условиях неполной информации. Монография / П.Г. Асалханов, М.Н. Астафьева, М.Н. Барсукова и др.; под редакцией Я.М. Иваньо. – Иркутск: Изд-во ИрГСХА, 2012. – 199 с.
  105.  Рождественский, А.В. Оценка точности кривых распределения гидрологических характеристик [Текст] / А.В. Рождественский. – Л.: Гидрометеоиздат, 1977. – 272 с.
  106.  Смирнова, Г.Н. Проектирование экономических информационных систем: Учебник [Текст] / Г.Н. Смирнова, А.А. Сорокин, Ю.Ф. Тельнов; под ред. Ю.Ф. Тельнова. – М.: Финансы и статистика, 2003. – 512 с. 
  107.  Современные проблемы адаптивного земледелия Сибири: материалы семинара-совещ. зав. каф. земледелия и растениеводства с.-х. вузов Сиб. ФО [Текст] / Бурят. гос. с.-х. акад. им. В.Р. Филиппова; редкол. А.П.  Батудаев, А.Г. Кушнарев. - Улан-Удэ: БГСХА, 2006. - 146 с.
  108.  Степанова, Г.Н. Стратегический менеджмент. Планирование на предприятии: Учебное пособие [Текст] / Г.Н. Степанова - М.: Изд-во МГУП, 2001.  – 136  с.
  109.  Сулин, М.А. Землеустройство сельскохозяйственных предприятий [Текст] / М.А. Сулин // учебное пособие.- СПб.: Лань, 2002. – 224 с.
  110.  Сухарев, М. Золотая книга Delphi [Текст] / М. Сухарев. – СПб.: Наука и Техника, 2008. – 1040 с.
  111.  Таланов, И.П. Практикум по растениеводству: учеб. пособие для вузов [Текст] / И. П. Таланов. - М.: КолосС, 2008. - 279 с.
  112.  Тарасевич, Ю.Ю. Математическое и компьютерное моделирование. Вводный курс: учеб. пособие для вузов [Текст] / Ю.Ю. Тарасевич. – Изд . 4-е, испр . - М.: Едиториал УРСС, 2004. - 149 с.
  113.  Таха, Хемди А. Введение в исследование операций [Текст] / Хемди А. Таха // 7-е издание.: Пер. с. англ. – М.: Издательский дом «Вильямс», 2005. – 912 с.
  114.  Тунеев М.М., Сухоруков В.Ф. Экономико-математические методы в организации и планировании сельскохозяйственного производства: Учеб. пособие. [Текст] / М.М. Тунеев - 2-е изд., перераб. и доп. – М.: Финансы и статистика, 1986. – 144 с.
  115.  Уткин, В.Б. Информационные системы в экономике: учеб. для вузов [Текст] / В.Б. Уткин, К.В. Балдин. - 2-е изд., стер. - М.: Academia, 2005. - 283 с.
  116.  Учебное пособие по самостоятельной работе «Методы моделирования производственных процессов в АПК»: учеб. пособие для вузов: допущено УМО [Текст] / Иркут. гос. с.-х. акад.; авт.-сост.: Я. М. Иваньо, М. Н. Барсукова, Т.С. Бузина. - Иркутск: ИрГСХА, 2008. - 184 с.
  117.  Фирсов, И.П. Технология растениеводства: учеб. для вузов по направлению 660300 «Агроинженерия» [Текст] / И.П. Фирсов, А.М. Соловьёв, М.Ф. Трифонова. - М.: КолосС, 2006. - 471 с.
  118.  Хуснидинов, Ш.К. Растениеводство Предбайкалья [Текст] / Ш.К. Хуснидинов, А.А. Долгополов // Учебное пособие. – Иркутск: Изд-во ИрГСХА, 2000. – 462 с.
  119.  Цымбаленко, О.С. Методы прогнозирования урожайности сельскохозяйственных культур [Текст] / О.С. Цымбаленко // Финансово-экономические проблемы развития регионального АПК - СтавГАУ, 2006. С.23-26
  120.  Четвериков, Н.С. Статистические и стохастические исследования [Текст] / Н.С. Четвериков – М.: Госстатиздат, 1963. – 239 с.
  121.  Четыркин, Е.М. Статистические методы прогнозирования [Текст] / Е.М. Четыркин – М.: Статистика, 1977. – 160 с.
  122.  Шафрин, Ю.А. Информационные технологии: В 2 частях, Ч. 2. Офисная технология и информационные системы [Текст] / Ю.А. Шафрин. - М.: Лаборатория Базовых знаний, 2000. - 336 с.
  123.  Шевченко, Виктор Александрович. Технология производства продукции растениеводства: Учеб. пособие для вузов [Текст] / В.А. Шевченко; Моск. гос. агроинж. ун-т им. В.П. Горячкина. - М.: Агроконсалт, 2002. - 164 с.
  124.  Эконометрика: Учебник [Текст] / Под ред. И.И. Елисеевой – М.: Финансы и статистика,  2003. – 344 с.
  125.  Экономика АПК: Общие закономерности развития агропромышленного комплекса: Курс лекций [Текст] / И.Б. Загайтов, К.С. Терновых,
    В.И. Коротченков, А.К. Камалян. - Воронеж: Изд-во им. Е.А. Болховитинова, 1999. - 287 с.
  126.  Экономика и организация сельскохозяйственного производства: учеб. пособие для вузов по спец. 310900 «Землеустройство», 311000 «Земельный кадастр» [Текст] / А.Э. Сагайдак [и др.]; под ред.
    А.Э. Сагайдака. - М.: КолосС, 2005. - 359 с.
  127.  Экономика и управление в сельском хозяйстве: учеб. для сред. проф. образования [Текст] / Г.А. Петранева [и др.]; под ред. Г.А. Петраневой. - М.: Academia, 2003. - 351 с.
  128.  Экономика организации (предприятия): Учебник для вузов [Текст] / Под ред. Н.А. Сафронова. - 2-е изд., перераб. и доп. - М.: Экономистъ, 2004. - 618 с.
  129.  Экономика сельского хозяйства: Практикум: Учеб пособие для вузов [Текст] / М.Н. Малыш, Т.Н. Волкова, Т.В. Смирнова, Н.Б. Суховольская; Под ред. М.Н. Малыша. – СПб.: Лань, 2004. – 223 с.
  130.  Экономика сельского хозяйства: учеб. пособие для вузов [Текст] /
    В.В. Кузнецов [и др.]; под ред. В.В. Кузнецова. - Ростов н/Д: Феникс, 2003. - 346 с.
  131.  Экономика сельского хозяйства: Учеб. пособие для вузов [Текст] /
    И.А. Минаков, Л.А. Сабетова, Н.И. Куликов и др.; Под ред. И.А. Минакова. – М.: КолосС, 2003. – 328 с.
  132.  Экономика сельскохозяйственного предприятия: Учеб.- метод. пособие [Текст] / Д. Бауэр, Г.Н. Харламова, А.С. Зубровский и др. – М.: ЭкоНива, 1999. – 280 с.
  133.  Экономико-математические методы в практике прогнозирования и планирования регионального АПК [Текст] / Тезисы межрегиональной научно-практ. конференции, 22-24 апреля 2003 г., г.Ростов-на-Дону (Вып.1). - Ростов н/Д: ВНИИЭиН, 2003. - 260 с.
  134.  Экономико-математические методы и вычислительная техника в управлении сельскохозяйственным производством: Сб. науч. тр.
    [Текст] / Перм. с.-х. ин-т. – Пермь:  ПСХИ, 1988. – 183 с.
  135.  Экономико-математическое моделирование: Учебник для студентов вузов [Текст] / Под  общ. Ред. И. Н. Дрогобыцкого. – М.: Издательство «Экзамен», 2004. – 800 с.
  136.  Экономико-математические методы и прикладные модели : учеб. пособие для  вузов [Текст] / В. В. Федосеев [и др.] ; под ред.  
    В.В. Федосеева. – М. : ЮНИТИ, 1999. – 391 с.
  137.  Эффективность прогнозов по технологии «ЗОНТ» [Текст] / Воронеж.  гос. агр. ун-т; под. общ. ред. И.Б. Загайтова, Л.П. Яновского. - Воронеж: Изд-во ВГАУ, 2001. - 206 с.
  138.  Юдин, Д.Б. Задачи и методы стохастического программирования [Текст] / Д.Б Юдин - М.: «Сов. радио», 1979. – 392 с.
  139.  Юдин, Д.Б. Математические методы управления в условиях неполной  информации [Текст] / Д.Б Юдин - М.: Советское радио, 1974. – 400 с.


Приложения

 

Приложение 1 

Технологическая карта на поле № 17 по производству пшеницы сорта Тулунская 12 на зерно в УНПП "Семена"

№ п/п

Наименование работ

Средства механизации

Единица измерения

Объем работ

Начало работ

Конец работ

Количество нормосмен в объеме работы

Требуется агрегатов

Обслуживающий персонал

Затраты труда (чел./час)

Тарифная ставка за норму (р.)

Тарифная фонд оплаты труда за весь объем работ(р.)

Расход горючего

Прямые затраты

Расход горючего на 1 га (л.)

Затраты труда на 1 га (чел. час.)

Механизаторов

Разнорабочих

Механизаторов

Разнорабочих

Механизаторов

Разнорабочих

Механизаторов

Разнорабочих

На единицу работы (л.)

Коэффициент перевода, кг

Всего (т.)

Стоимость 1 т (р.)

Стоимость всего (р.)

Всего, (р.)

На 1 га, (р.)

1

2

3

4

5

6

7

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

41

42

43

44

1

Сплошная культивация без боронования

Трактор МТЗ-82 Культиватор КПС-4

га

117

29.04.2012

05.05.2012

7

1

1

0

51,2

0

322

0

2355

0

4,3

0,86

0,43

13953

6037

8391,8

71,72

4,3

0,44

2

Боронование

Трактор МТЗ-82 Борона БЗСС-1,0

га

117

29.04.2012

02.05.2012

4

1

1

0

26,4

0

322

0

1215

0

2

0,86

0,20

13953

2808

4023,3

34,39

2

0,23

3

Посев пшеницы без внесения минеральных удобрений, без боронования

Трактор Т-150К Сеялка СЗП-3,6

га

60

30.04.2012

01.05.2012

2

1

1

2

12,7

25,5

484

110

880

400

3,3

0,86

0,17

13953

2376

130016

2166,9

3,3

0,64

4

Посев пшеницы без внесения минеральных удобрений, без боронования

Трактор МТЗ-1221 Сеялка Клен-6

га

57

30.04.2012

02.05.2012

3

1

1

1

18,1

18,1

484

110

1254

285

3

0,86

0,15

13953

2052

3591

63

3

0,64

5

Боронование до всходов

Трактор МТЗ-82 Борона БЗСС-1,0

га

117

02.05.2012

05.05.2012

4

1

1

0

26,4

0

322

0

1215

0

2

0,86

0,20

13953

2808

4023,3

34,39

2

0,23

6

Кошение зерновых в валки

Трактор МТЗ-82 Жатка ЖВН-6

га

50

25.07.2012

28.07.2012

4

1

1

0

28,2

0

484

0

1952

0

7,4

0,86

0,32

13953

4440

6391,6

127,83

7,4

0,56

7

Прямое комбайнирование зерновых без измельчения соломы

Комбайн Енисей-1200

га

67

02.08.2012

07.08.2012

6

1

1

0

39,1

0

484

0

2702

0

7,1

0,86

0,41

13953

5708

8410,7

125,53

7,1

0,58

8

Подбор валков зерновых культур без измельчения соломы после жатки ЖВН-6, ЖВС-6, ЖШН-6

Комбайн Енисей-1200

га

50

02.08.2012

04.08.2012

3

1

1

0

24,5

0

484

0

1692

0

6,7

0,86

0,29

13953

4020

5712,3

114,25

6,7

0,49

9

Всего

X

га

117

29.04.2012

07.08.2012

33

X

8

3

227

43,6

X

X

13265

685

X

X

X

X

30250

170560

X

X

X

10

Затраты на 1 га

X

га

117

29.04.2012

07.08.2012

0,3

X

8

3

1,94

0,37

X

X

113,4

5,85

X

X

X

X

258,5

1457,8

X

X

X

11

Затраты на 1 ц. основной продукции

X

га

117

29.04.2012

07.08.2012

0

X

8

3

0,1

0,02

X

X

5,67

0,29

X

X

X

X

12,93

72,89

X

X

X

 


Приложение 2

Итоги по технологической карте на поле № 17 по производству пшеницы на зерно в УНПП «Семена»

Производство продукции

Вид продукции

Урожайность, ц/га

Валовой сбор, ц

Основной

Зерно

20

2340

Побочной

 

 

 

Культура

Пшеница

Сорт

По культуре

Площадь

117

Предшественник

Пар чистый

 

Механизаторы, водители, руб

Рабочие, руб

Всего, руб

Тарифный фонд оплаты труда с доплатами и отпускными, в т.ч.

13265,46

685

13950,46

Тарифный фонд оплаты труда

13265,46

685

13950,46

Доплата за продукцию

0

0

0

Доплата за качество и срок + повышенная на уборке

0

0

0

Доплата за классность

0

0

0

Доплата за стаж

0

0

0

Отпуска

0

0

0

Начисления

0

0

0

Всего зарплата

13265,46

685

13950,46

ед. измерения

количество

стоимость, руб

на 1 га

всего

единицы

всего

Горючее

т

 

 

 

 

Дизельное топливо

т

0,0185

2,1679

13953,49

30249,6

Семена

ц

2,7

315,9

400

126360

Удобрения, в т.ч.

т

0

0

0

0

Электроэнергия

кВт/час

0

0

0

0

Ядохимикаты

 

0

0

0

0

руб.

Основные затраты, в т.ч.

170560,06

   на полевые работы

0

   на стационарные работы

0

   на грузоперевозки

0

Накладные расходы

0

Итого затраты с накладными