Зерновое хозяйство россии



страница5/18
Дата04.12.2017
Размер2.65 Mb.
ТипЛекция
1   2   3   4   5   6   7   8   9   ...   18

Выводы. Таким образом, было выяснено, что предпосевная обработка семян химическими препаратами ЖУСС-2, Кинто Дуо, Альбит способствовала увеличению полевой всхожести на 0,8– 7,6% и большей сохранности растений к уборке. Совместное протравливание семян препаратами Альбит и ЖУСС-2 оказалось эффективным при выращивании семян яровой пшеницы.
Литература

  1. Амиров, М.Ф. Оценка влияния биологических препаратов и минеральных удобрений на продуктивность яровой твердой пшеницы / М.Ф. Амиров, А.М. Амиров // Вестник Казанского государственного аграрного университета. – 2015. – №1(35) – С.98-102.

  2. Валиуллин, А.Р. Влияние различных фунгицидов на формирование урожая ярового ячменя / А.Р. Валиуллин, А.А. Зиганшин, О.В. Шибаева, Р.И. Сафин // Вестник Казанского государственного аграрного университета. – 2009. – №2(12) – С.108-110.

  3. Власенко, Н.Г. Влияние предпосевной обработки ячменя регуляторами роста растений на фитосанитарное состояние семян и почвы / Н.Г. Власенко, С.С. Слепцов, М.С. Самсонова // Сибирский вестник сельскохозяйственной науки. – 2011. – №7-8. – С.5-10.

  4. Каримова, Л.З. Оптимизация сортовых ресурсов, приемов семеноводства и защиты растений ярового ячменя / Л.З. Каримова // Автореф. диссертации кандидата с.-х. наук. – Казань, 2013. – 21с.

  5. Карпова, Л.В. Влияние регуляторов роста и удобрений на продуктивность и посевные качества семян яровой пшеницы и ячменя / Л.В.Карпова // Физиолого-биохимические аспекты обработки семян сельскохозяйственных культур: Межвузовский сборник. – Ульяновск: Изд-во УГСХА, 2003. – С.70-74.

  6. Карпова, Г.А.Оптимизация продукционного процесса агроценозов яровой пшеницы и ячменя при использовании регуляторов роста / Г.А. Карпова, М.Е. Миронова // Нива Поволжья. – 2009. – №1. – С. 8-13.

  7. Колье, О.Т. Развитие листостебельных болезней зерновых культур при длительном применении средств химизации в южной лесостепи Западной Сибири / О.Т. Колье, Н.И. Ложкина, А.С. Прокуратова, Н.А. Калиненко // Фундаментальные исследования. – 2006. – №8. – С. 66-67.

  8. Коршунова, Т.Ю. Биофунгицид Елена для протравливания семян ячменя ярового и его влияние на урожайность и устойчивость к болезням / Т.Ю. Коршунова, Н.Н. Силище, Н.Ф. Галимзянова, О.Н. Логинов // Башкирский химический журнал. –2007. – Т. 14. – №4. – С. 94-94.

  9. Помелов, А.В. Протравители семян как индукторы мутационной изменчивости ярового ячменя и пшеницы / А.В. Помелов, Г.П. Дудин // Сибирский вестник сельскохозяйственной науки. – 2009. – №7. – С. 12-16.

  10. Сержанов, И.М. Яроая пшеница в северной части лесостепи Поволжья / И.М. Сержанов, Ф.Ш. Шайхутдинов. – Казань, 2003. – 250 с.

  11. Торопова, Е.Ю. Эпифитотиологические основы систем защиты растений / Е.Ю.Торопова, Г.Я. Стецов, В.А. Чулкина. – Новосибирск: НГАУ, 2002. – 579 с.

  12. Хадеев, Т.Г. Здоровые семена – основа высокого урожая / Т.Г.Хадеев, Д.Н. Говоров, А.Г. Гиниятуллин, А.В. Живых // Защита и карантин растений. – 2010. – №3. –С.22-24.

  13. Хадеев, Т.Г. Управление фитосанитарным состоянием в агроценозах яровой пшеницы / Т.Г. Хадеев, И.П. Таланов. – Казань. – 2012. – 260 с.

Literature

1. Amirov, M.F. Assessment of the effect biological products and fertilizers on efficiency of spring durum wheat / M.F. Amirov, А.М. Amirov // Newsletter of Kazan SAU. – 2015. – №1(35) – PP.98-102.

2. Valiullin, A.R. Influence of various fungicides on the formation of spring barley yield / A.R. Valiullin, А.А. Ziganshin, O.V. Shibaeva, R.I. Safin // Newsletter of Kazan SAU. – 2009. – №2(12) – PP.108-110.

3. Vlasenko, N.G. Effect of presowing barley treatment by plant growth regulators on the phytosanitary state of seeds and soil / N.G. Vlasenko, S.S. Sleptsov, M.S. Samsonova // Siberian newsletter of agricultural science. – 2011. – №7-8. – PP.5-10.

4. Karimova, L.Z. Optimization of varietal resources, methods of seed-growing and protection of spring barley plants / L.Z. Karimova // Synopsis on cand.of Agr.Sc.. – Kazan, 2013. – 21p.

5. Karpova, L.V. Influence of growth regulators and fertilizers on productivity and sowing quality of spring wheat and barley seeds / L.V. Karpova // Physiological and biochemical aspects of treatment of seeds of agricultural crops: Interuniversity collection. – Ulyanovsk: Publ. USAU, 2003. – PP.70-74.

6. Karpova, G.A. Optimization of the productive process of agrocenoses of spring wheat and barley using growth regulators / G.A. Karpova, М.Е. Mironova // Landscape of Povolzhie. – 2009. – №1. – PP. 8-13.

7. Kolie, О.Т. Development of leaf-stem diseases of cereals with long-term use of chemicals in the southern forest-steppe zone of Western Siberia /О.Т. Kolie, N.I. Lozhkina, A.S. Prokuratova, N.A. Kalinenko // Fundamental knowledge. – 2006. – №8. – PP. 66-67.

8. Korshunova, T.Yu. Bio fungicide ‘Elena’ for disinfection of spring barley seeds and its influence on productivity and resistance to diseases / T.Yu. Korshunova, N.N. Silishche, N.F. Galimzyanova, O.N. Loginov // Bashkirsky Chemical Journal. –2007. – V. 14. – №4. – PP. 94-94.

9. Pomelov, A.V. Seed disinfectants as inducers of mutational variability of spring barley and wheat / A.V. Pomelov, G.P. Dudin // Siberian newsletter of agricultural science. – 2009. – №7. – PP. 12-16.

10. Serzhanov, I.M. Spring wheat in the northern part of forest-steppe of Povolzhie / I.M. Serzhanov, F.Sh. Shaykhutdinov. – Kazan, 2003. – 250 p.

11. Toropova, E.Yu. Epiphytotiological basis of plant protection systems / E.Yu. Toropova, G.Ya. Stetsov, V.A. Chulkina. – Novosibirsk: NSAU, 2002. – 579 p.

12. Khadeev, T.G. Healthy seeds are the basis of high yields / T.G. Khadeev, D.N. Govorov, A.G. Giniyatullin, A.V. Zhivykh // Protection and quarantine of plants. – 2010. – №3. – PP.22-24.

13. Khadeev, T.G. Phytosanitary state management in agrocenoses of spring wheat / T.G. Khadeev, I.P. Talanov. – Kazan. – 2012. – 260 p.


УДК 633.11:631.559

Р.И. Ибятов, доктор технических наук, профессор;

Ф.Ш. Шайхутдинов, доктор сельскохозяйственных наук, профессор;

А.А. Валиев, старший преподаватель,

ФГБОУ ВО «Казанский государственный аграрный университет»

(420015, Казань, ул.К. Маркса, 65; pim.kazgau@mail.ru)
АНАЛИЗ УРОЖАЙНОСТИ ЯРОВОЙ ПШЕНИЦЫ МЕТОДОМ ГЛАВНЫХ КОМПОНЕНТ
Работа посвящена применению факторного анализа для уменьшения размерности влияющих факторов на урожайность яровой пшеницы. Для проведения анализа между восьмью факторами наиболее влияющими на урожайность яровой пшеницы, была использована выборка за 32 года. Все данные выборки были предварительно нормализованы, центрованы и представлены в виде таблицы. Вычислительным путем были построены восемь главных компонент, определены факторные нагрузки. По полученным факторным нагрузкам было решено оставить четыре главных компонента, описывающих в сумме 84 процента общей дисперсии. Каждую главную компоненту представили в виде линейной комбинации факторных нагрузок и факторов. Использование главных компонент позволило понизить размерность исходных данных с восьми входных факторов до четырех. Полученная информация была представлена в пространстве главных компонент. Новые координаты опытных данных по урожайности яровой пшеницы вычислены полученными соотношениями. Для поиска скрытых связей между факторами исходные данные были представлены в графическом виде. В двухмерном пространстве количество диаграмм по четырем главным компонентам составляет шесть возможных вариантов, а в трехмерном пространстве четыре. Отдельные точки были поименованы с учетом их вариации по отдельным факторам. Приведена диаграмма данных в плоскости первой и четвертой главных компонент. Расположение точек указывает на то, что большие значения массы зерна связаны с высокими показателями содержания клейковины. Была построена исследовательская модель на базе нейронных сетей типа многослойный персептрон с одним входным, одним выходным и одним скрытым слоем. Нейронная сеть была предварительно обучена по исходным данным и проверена на адекватность.

Ключевые слова: яровая пшеница, факторный анализ, главная компонента, визуализация данных, нейросетевая модель.

R.I. Ibyatov, Doctor of Technical Sciences, professor;

F.Sh. Shaykhutdinov, Doctor of Agricultural Sciences, professor;

А.А. Valiev, senior lecturer,

FSBEI HE ‘Kazan State Agricultural University’

(420015, Kazan, Karl Marks Str., 65; email: pim.kazgau@mail.ru)
The analysis of spring wheat productivity by the method of principal component

The work deals with the use of the factor analysis to reduce the importance of factors affecting spring wheat productivity. To carry out the analysis among eight most affecting on crop productivity factors we used the dataset of 32 years. All the dataset has been pre-normalized, being centered and presented in tabular form. Eight principal components were calculated, and the factor loadings were determined. According to the factor loadings it has been decided to take four principal components describing 84% of general dispersion. Each principal component has been presented as a linear combination of factor loadings and factors. The use of principal components allowed reducing the size of initial dataset from eight factors to four ones. The obtained information has been given in the space of principal components. The new coordinates of the experimental dataset on spring wheat productivity has been estimated by the received interdependences. The initial dataset has been given in a graphic form to search latent interdependences among factors. The number of diagrams in four principal components is six variables in a binary space and four ones in tree-dimensional space. It has been given a diagram of the data according to the first and the fourth principal component. The location of the points shows that the largest value of kernel weight is connected with high indexes of gluten content. It has been constructed a model on the basis of neural network (multiclass perceptron) with one input, one output and one latent layer. The neural network has been preliminary studied according to initial dataset and checked for adequacy.



Keyword: spring wheat, factor analysis, principal component, visualizing of dataset, neural net model.

Введение. Продуктивность посевов яровой пшеницы является результатом сложного взаимодействия самых разных факторов внешней среды с генетически обусловленными биологическими особенностями выращиваемой культуры. Осуществить оптимизацию условий внешней среды применительно к генетической программе той или иной культуры можно лишь при целенаправленном управлении комплексом факторов [1-3]. С развитием агрохимии, агрометеорологии и вычислительной техники постоянно создавались теоретические и прикладные основы системы управления ростом и развитием растений в посевах с применением современных технических средств и методов обработки информации [4, 5].

Урожайность яровой пшеницы определяется большим количеством факторов. Каждый фактор имеет свое индивидуальное влияние и может быть исследован отдельно. Однако «одномерные методы», учитывающие доли индивидуальных влияний факторов на урожайность, часто оказываются недостаточными для полноценного анализа. Для анализа данных и поиска полезной информации по яровой пшенице можно воспользоваться современными интеллектуальными методами [6-10]. Интеллектуальные методы и подходы позволяют выявить скрытые (латентные) взаимосвязи между множеством входных переменных, что позволяет повысить эффективность моделей за счет отбрасывания малозначащих переменных, а также группировки данных, имеющих скрытые связи. Подобные задачи можно решать на основе метода главных компонент.



Материалы и методы. Закладку опытов проводили в 1982-2013 гг. на опытном поле ФГБОУ ВО «Казанский государственный аграрный университет» по общепринятым при изучении яровых зерновых культур методикам. Обработку данных исследований осуществляли с использованием программ Excel, Deductor Academic.

Объектом исследований были 10 сортов яровой пшеницы, внесенных в Государственный реестр селекционных достижений и допущенных к использованию в седьмом регионе Российской Федерации.

Анализ данных проводили методом главных компонент. Данный метод позволяет выбрать новую систему координат, в которой определенная переменная, соответствующая одной из новых осей, имеет максимальную дисперсию. Каждая следующая координатная ось, то есть главная компонента, должна быть ортогональна предыдущим и «охватывать» как можно большую часть дисперсии.

Главная компонента представляет собой некоторую линейную комбинацию восьми факторов:

(1)

Неизвестные коэффициенты , являются векторами из условия обеспечения наибольшей дисперсии с учетом их ортонормированности. Полученная таким образом условная задача оптимальности решается методом множителей Логранжа. Тогда определение коэффициентов линейной комбинации (1) сводится к нахождению собственных значений и собственных векторов соответствующей ковариационной матрице [6].



Погодные условия за указанный период различались по годам: засушливые и жаркие, сильно засушливые, удовлетворительно увлажненные, теплые оптимально увлажненные и теплые. Метеоусловия всех лет проведения исследования послужили хорошим фоном для полной оценки влияния отдельных факторов при формировании урожая объекта исследования.

Почва опытного поля Казанского ГАУ – серая лесная среднесуглинистая. Содержание гумуса – 2,8-3,2 %, сумма поглощенных оснований – 26 мг-экв. на 100 г почвы, азота легкогидролизуемого – 8-11, подвижного фосфора по Кирсанову – 163-183, обменного калия по Кирсанову –109-149 мг на 1000 г почвы, рН солевой вытяжки 5,6-5,7.



Результаты. Для проведения анализа урожайности яровой пшеницы были использованы результаты наблюдений за урожайностью в течение 32 лет [8]. Известны средние значения по годам следующих восьми независимых факторов, оказывающих наибольшее влияние на урожайность пшеницы: влажность воздуха, эффективная температура за вегетацию, осадки, вегетационный период, содержание клейковины, масса тысячи зерен, масса зерна с одного колоса, длина стебля. Так как все исследуемые факторы имеют различную единицу измерения и различаются своими порядками, необходимо провести нормирования и центрирования данных. Для нормирования исходных данных они были разделены на свои стандартные отклонения. Затем проводили центрирование путем вычитания их средних значений от факторов. Преобразованные данные урожайности яровой пшеницы представлены в таблице 1.

1. Нормализованные и центрированные данные урожайности яровой пшеницы





Урожайность

Влажность

воздуха


Эффективная t 0

за вегетацию



Осадки

Вегетационный

период,


Содержание

клейковины



Масса 1000

зерен


Масса зерна

с одного колоса



Длина соломы

1

-1,40

-2,14

-1,12

-1,48

-2,23

-0,20

-1,47

-1,63

-0,51

2

-1,83

-2,14

2,18

-0,54

0,18

-0,34

-1,76

-2,07

-2,01

3

1,84

-1,81

1,98

-2,12

-0,79

0,12

-0,85

0,14

-1,71

4

0,55

-1,48

-0,28

-1,64

-1,75

-0,39

0,19

1,02

-0,51

5

0,04

-1,31

0,60

-0,60

-0,15

0,77

-2,29

-2,18

-1,11

6

0,07

-1,15

0,44

0,56

1,30

-0,58

0,43

0,03

1,58

7

0,64

-0,98

1,40

-0,40

-0,63

-0,09

-0,97

-0,86

-0,21

8

0,62

-0,65

-1,24

0,58

0,34

0,83

1,10

-0,19

1,28

9

0,95

-0,32

0,77

0,96

0,82

0,10

0,27

1,02

1,88

10

1,08

-0,16

-1,01

1,08

-0,79

1,45

0,19

-0,52

1,28

11

0,23

-0,16

-1,29

0,28

-1,43

-0,04

-1,26

-2,40

-1,11

12

0,88

-0,16

-0,20

-0,20

0,18

-0,09

-0,72

0,25

0,69

13

0,39

0,01

-0,69

0,86

-0,47

0,93

0,81

0,58

0,09

14

0,30

0,01

-0,31

-0,87

0,50

0,80

-0,19

0,36

0,09

15

0,49

0,17

-1,89

1,58

-1,27

0,69

-0,68

-0,19

1,88

16

0,20

0,17

0,54

-0,86

-0,63

-0,53

-0,35

0,69

0,09

17

0,42

0,17

-0,54

0,59

-0,15

-0,31

-0,52

0,36

1,28

18

0,02

0,17

1,36

-1,18

0,50

-0,07

-0,27

-0,63

-1,71

19

1,66

0,34

0,29

1,59

0,18

0,31

-0,02

-0,19

-0,51

20

1,79

0,34

0,96

-0,08

0,34

0,39

-0,19

-0,52

0,39

21

0,46

0,50

0,23

0,46

0,66

-4,31

0,19

1,35

0,69

22

1,31

0,50

-1,00

-0,13

-1,43

0,07

0,10

0,36

0,39

23

0,53

0,67

-0,43

0,61

0,98

-0,63

1,92

1,90

0,09

24

0,76

0,67

-0,23

-1,11

-0,47

0,64

0,27

0,80

-0,21

25

0,17

0,67

0,61

1,42

0,18

0,29

1,01

0,14

-0,21

26

0,83

1,00

-0,89

-1,05

0,01

0,39

2,25

1,02

-0,81

27

1,46

1,00

0,64

0,33

1,94

-0,90

1,55

-0,41

-0,51

28

1,72

1,00

-0,90

-0,23

0,01

0,18

0,27

0,03

0,09

29

0,49

1,16

-1,14

1,42

0,50

1,47

0,48

0,36

-0,51

30

1,41

1,33

-0,31

-0,30

2,26

0,72

-0,43

0,80

-0,51

31

-0,47

1,33

0,74

-0,71

0,34

-0,85

0,85

0,14

-0,21

32

0,77

1,33

0,69

1,12

0,98

-0,69

-0,02

0,58

0,69

Вычислительным путем были построены восемь главных компонент (ГК), определены факторные нагрузки и объясненная ими дисперсия:

- на первую главную компоненту (ГК1) оказывают существенное влияние следующие факторы: «масса 1000 зерен», «влажность воздуха» и «масса зерна с одного колоса», причем доля дисперсии, объясненная ГК1, равна приблизительно 37%;

- на вторую главную компоненту (ГК2) оказывают высокую нагрузку переменные «эффективная температура», «содержание клейковины» и «вегетационный период»; доля дисперсии, объясненная ГК2, равна приблизительно 21%;

- на третью главную компоненту (ГК3) – «осадки»; доля дисперсии, объясненная ГК3, равна приблизительно 13%;

- на четвертую главную компоненту (ГК4) – «содержание клейковины»; доля дисперсии, объясненная ГК4, равна приблизительно 12%.

Доля дисперсии первых четырех компонент в сумме дает приблизительно 84 %. Остальные главные компоненты в сумме содержат 16 % дисперсии, их влияние не значительно и поэтому они могут быть не учтены [8].

На каждую главную компоненту приходятся различные доли факторных нагрузок. Для первых четырех главных компонент были получены следующие линейные комбинации:



, (2)

, (3)

, (4)

.(5)

В результате применения главных компонент в качестве координатных осей размерность исходных данных понизилась с восьми до четырех входных факторов.

Для дальнейшего анализа данных и построения прогнозирующей модели исходную информацию представим графически в пространстве главных компонент. Такая визуализация данных дает возможность обнаружения скрытых связей между факторами. Новые координаты опытных данных по урожайности яровой пшеницы были вычислены соотношениями (2) – (5). Результаты приведены в виде таблицы 2.

2. Исходные данные в координатах главных компонент.





Урожайность

U1

U2

U3

U4

1

-1,40

-2,89

-3,07

-0,01

3,19

2

-1,83

-2,65

1,46

-0,32

-1,73

3

1,84

-1,57

1,41

0,36

-0,47

4

0,55

-1,91

1,92

-0,16

0,04

5

0,04

-2,03

-1,21

-0,36

-1,6

6

0,07

-4,6

-1,2

0,82

0,04

7

0,64

-0,5

1,59

1,11

0,4

8

0,62

-0,9

3,09

-0,49

-0,14

9

0,95

-1,52

4,04

-0,57

0,92

10

1,08

-0,3

0,05

1,43

-0,61

11

0,23

-2,48

-0,49

2,27

-1,26

12

0,88

0,05

0,11

0,47

-0,59

13

0,39

-0,72

0,2

-1,12

-0,58

14

0,30

-1,22

-1,91

0,52

-0,2

15

0,49

0,59

-0,77

0,82

0,63

16

0,20

-2,46

-2,5

-0,74

-0,77

17

0,42

2,35

0,1

2,41

1

18

0,02

6

2,17

1,02

1,07

19

1,66

3,67

2,23

-0,44

-0,28

20

1,79

0,3

-0,46

-0,74

-0,34

21

0,46

-1,25

0,6

0,5

-0,46

22

1,31

-1,28

1,02

-0,4

1,02

23

0,53

-2,87

-1,12

-1,14

0,28

24

0,76

-2

-0,29

-0,67

-0,64

25

0,17

0,04

0,29

-0,17

0,57

26

0,83

-2,59

-0,17

-1,01

0,95

27

1,46

-1,35

-0,53

-1,21

1,21

28

1,72

2,55

-2,31

0,09

-1,13

29

0,49

5,48

-2,14

1,12

-0,11

30

1,41

5,86

0,44

-1,3

-0,64

31

-0,47

3,39

-0,55

-0,57

0,44

32

0,77

6,82

-1,99

-1,53

-0,22

Современные программные средства и вычислительная техника позволяют представить дискретную информацию в двумерном или трехмерном пространствах и наблюдать за расположением точек под разными углами обзора. В двумерном пространстве количество диаграмм по четырем главным компонентам составляет шесть возможных вариантов, а в трехмерном пространстве – четыре.

Поиск полезной информации с помощью подобных диаграмм представляет собой достаточно сложную и в некоторых случаях невыполнимую задачу. При визуальном анализе необходимо обратить внимание на характер расположения точек относительно главных компонент, расслоения и образования групп. При этом отдельные точки с учетом их вариации могут быть поименованы по каждому фактору. Следует отметить, что не каждая диаграмма содержит полезную информацию. Для выявления скрытых связей между факторами приходится исследовать различные возможные варианты диаграмм. На рисунке 1 представлена диаграмма, где прослеживается связь между первым и четвертым факторами.




Поделитесь с Вашими друзьями:
1   2   3   4   5   6   7   8   9   ...   18


База данных защищена авторским правом ©vossta.ru 2019
обратиться к администрации

    Главная страница