Содержание к диссертации
Введение
Глава 1. Современные системы математического моделирования в сельском хозяйстве и экологии
1.1. Модели продукционного процесса в современном земледелии 8
1.2. Инфраструктура модели продукционного процесса 9
1.3. Универсальная оболочка моделей продукционного процесса GUICS 14
1.4. Система поливариантного расчёта DSSAT 17
1.5. Технология структурной идентификации OpenMI 20
1.6. Система моделирования лесных экосистем DLES 23
1.7. Сравнительная характеристика описанных систем 26
Глава 2. Теоретические основы поливариантного расчёта 29
2.1. Основные понятия 29
2.2. Требования к структуре данных в системе поливариатного расчёта 36
2.3. Методы обработки данных при поливариантном расчёте 46
2.4. Прецеденты использования системы поливариантного расчёта 53
Глава 3. Технические аспекты реализации системы APEX 58
3.1. Расширение метаинформации в реляционных СУБД 59
3.2. Структура Базы Данных в системе APEX 69
3.3. Адаптеры для подключения внешних моделей 76
3.4. Методика разработки пользовательского интерфейса 83
Глава 4. Применение системы APEX в задачах теоретической агроэкологии
4.1. Идентификация параметров динамической модели 88
4.2. Оптимизация полива в засушливых регионах 104
4.3. Исследование влияния климатических изменений на агроэкосистему 115
Глава 5. Применение системы APEX в задачах точного земледелия 127
5.1. Учёт неоднородности почвенного покрова 127
5.2. Оперативное сопровождение производственных посевов 134
Заключение 143
Список литературы 146
- Инфраструктура модели продукционного процесса
- Требования к структуре данных в системе поливариатного расчёта
- Структура Базы Данных в системе APEX
- Оптимизация полива в засушливых регионах
Введение к работе
Актуальность проблемы. Важным инструментом при внедрении современных наукоемких технологий в традиционную практику растениеводства выступают прикладные динамические модели продукционного процесса сельскохозяйственных растений. Особенно значимой становится их роль в качестве интеллектуального ядра компьютерных систем поддержки агротехнологических решений в рамках новых перспективных трендов развития сельскохозяйственной отрасли – устойчивого и точного земледелия. Динамическая модель агроэкосистемы представляет собой алгоритм, позволяющий по исходным данным о внешних факторах (погода и агротехника) рассчитать динамику сельскохозяйственного посева в течение всего сезона вегетации – от сева до уборки и интерпретировать полученные результаты в терминах содержательных показателей – урожая, сроков наступления фенофаз и других индикаторы роста и развития растений. Использование модельных расчетов (мониторинг поведения растения под воздействием тех или иных управляющих воздействий в компьютерном эксперименте) позволяет существенно упростить анализ множества альтернативных решений и выбор оптимальных агротехнологий по сравнению с традиционным подходом, основанном на многолетних полевых опытах.
При этом типичный прецедент использования модели в любой системе поддержки решений чаще всего предполагает не единичный, а множественный расчет одной и той же модели с разными наборами входных параметров с целью анализа и сравнения получаемых результатов. Можно перечислить несколько проблем или практических задач, приводящих к необходимости многократного расчета с указанием источника вариантности входных данных для каждой из них (таблица 1).
Таблица 1. Задачи, требующие поливариантного расчёта динамической модели агроэкосистемы.
Более того, поскольку операции, требующие организации вычислительных экспериментов, для разных моделей являются типовыми, крайне привлекательной выглядит создание среды выполнения произвольных динамических моделей, удовлетворяющих определённым соглашениям. Все операции, связанные с поливариантным расчётом, могут быть реализованы на уровне среды и абстрагированы от конкретной реализации модели продукционного процесса.
В мировой практике существует три основных подхода к созданию подобных систем.
Системы поливариантного расчёта - среды исполнения моделей продукционного процесса, позволяющие производить многократный запуск моделей с разными входными данными в пакетном режиме.
Универсальные оболочки для моделей продукционного процесса -среды исполнения, позволяющие подключать к ним произвольные модели и предоставляющие к ним типовой пользовательский интерфейс.
Среды структурной идентификации моделей - программные продукты, позволяющие пользователю конструировать модели из готовых модулей.
Система, разработанная в рамках аннотируемой работы, относится к двум первым перечисленным направлениям.
Цель работы: создание многофункциональной среды поливариантного
анализа динамических моделей продукционного процесса
сельскохозяйственных растений как инструмента теоретических исследований в агроэкологии и поддержки принятия решений в растениеводстве. К числу основных задач работы относятся:
Разработка и апробация единой методики планирования и проведения многофакторных компьютерных экспериментов с произвольными динамическими моделями агроэкосистемы.
Реализация компьютерной системы поливариантного анализа динамических моделей продукционного процесса сельскохозяйственных культур.
Проведение исследований с использованием разработанной системы для решения ряда типовых задач теоретической и практической направленности.
Методика исследований. В проведенных исследованиях использованы методы математического моделирования, теоретической и прикладной информатики, планирования экспериментов, организации и ведения баз данных. Реализация системы поливариантных расчетов осуществлена с использованием визуального проектирования и современных методологий к разработке программного обеспечения: компонентно-ориентированного подхода, инверсий управления и внедрения зависимостей.
Научная новизна работы состоит в том, что впервые предложена концепция информационной системы, в полной мере реализующая два
функциональных требования, предъявляемых к средам имитационного моделирования общего назначения: обеспечение поливариантного расчёта и наличие универсальной оболочки для подключения произвольных моделей. В ходе разработки системы был впервые применен оригинальный подход к хранению в единой реляционной структуре данных, относящихся к информационным доменам разного уровня абстракции. Основные положения, представляемые к защите.
Вычислительный компьютерный эксперимент с динамической моделью продуктивности является эффективной заменой полевого опыта, и к нему могут и должны быть применены специально адаптированные методики планирования, проведения и анализа результатов, использующиеся в теории опытного дела.
Разработанная универсальная среда поливариантного анализа компьютерных моделей продукционного процесса представляет собой мощный и удобный инструмент организации многофакторных компьютерных экспериментов.
Многочисленные приложения созданного программного продукта в качестве инструмента решения типовых задач однозначно свидетельствуют о его полезности и востребованности как в научных исследованиях, так и в практике сельскохозяйственного производства.
Теоретическая значимость работы заключается в разработке концептуального подхода к способу работы с базами данных, структуру которых в определённых пределах может менять пользователь, решение задач организации данных в системе имитационного моделирования, позволяющее ограниченным набором инструментов решать широкий круг задач.
Практическая значимость работы заключается в создании компьютерной информационной системы поливариантного расчёта и организации многофакторного компьютерного эксперимента с динамическими моделями агроэкосистемы и ее использовании для решения разнообразных задач агрономической направленности: анализ и оптимизация агротехнологий, динамический прогноз темпов развития и продуктивности сельскохозяйственных посевов, выделение единиц управления в точном земледелии.
Личный вклад автора. Проектирование архитектуры и программная реализация компьютерной системы поливариантного анализа APEX были выполнены в полном объеме лично автором настоящей работы. Компьютерные эксперименты с использованием разработанной системы для решения описанных задач теоретической и прикладной направленности осуществлялись при непосредственном участии соискателя; при этом степень вовлеченности автора в планирование, проведение и обработку результатов компьютерных экспериментов составляла от 60 до 80 процентов.
Апробация работы. Результаты по основным этапам работы докладывались на семинарах отдела моделирования отдела моделирования адаптивных агротехнологий АФИ и на семинаре Института Прикладных
Математических Исследований (Петрозаводск), научных сессиях Агрофизического НИИ; доклады по тематике работы представлялись автором на российских и международных конференциях:
Всероссийская конференция (с международным участием) "Математические модели и информационные технологии в сельскохозяйственной биологии: итоги и перспективы", 14-15 октября 2010 г., Санкт-Петербург, АФИ; Международный симпозиум по компьютерным системам в науках об окружающей среде ISESS-2011, 27-29 июня, Брно, Чехия; Всероссийская конференция (с международным участием) "Методы оценки сельскохозяйственных рисков и технологии смягчения последствий изменения климата в земледелии", 13-14 октября 2011 г., Санкт-Петербург, АФИ; Международная конференция "Современные проблемы математики, информатики и биоинформатики", посвященная 100-летию со дня рождения А.А. Ляпунова, 11 - 14 октября 2011 г., Новосибирск, НГУ; Международная школа-семинар «Фундаментальные и прикладные исследования в математической экологии и агроэкологии»:, 22-24 июня 2012 года, Барнаул, АГУ; 4-ое ежегодное рабочее совещание международного проекта AgMIP «Agriculture Model Improvement and Intercomparison», 28-30 октября, Колумбийский Университет, Нью-Йорк, США.
Созданный автором программный комплекс APEX для автоматизации многофакторных вычислительных экспериментов с динамическими моделями агроэкосистем зарегистрирован в Государственном реестре программ для ЭВМ, о чем получено свидетельство за номером 2014612173 от 20 февраля 2014 г.
Структура и объём диссертации. Работа состоит из введения, 6 глав, выводов, списка литературы (171 источник, в том числе 61 иностранный). Диссертация изложена на 161 странице, иллюстрирована 31 рисунком и 11 таблицами.
Инфраструктура модели продукционного процесса
К структуре и реализации каждой из подсистем предъявляются свои особые требования. Основным требованием, предъявляемым к модели, является по возможности полное и адекватное отражение физической и биологической сущности процессов, протекающих в почве, приземном воздухе и в самом растительном покрове. Структура информационного обеспечения должна обеспечивать эффективный доступ к данным, относящимся к различным моделируемым явлениям, с возможностью свободно комбинировать их друг с другом (Van Evert, Campbell, 1994). Что касается оболочки модели, то основное требование, предъявляемое к ней, – это простота и удобство работы пользователя в процессе проведения компьютерных экспериментов (Denisov, 2001). Указанные требования к подсистемам диктуют для каждой из них свои особенности технической реализации. Процессы, имеющие место в почве, приземном воздухе и растительном покрове, как правило, описываются системой дифференциальных уравнений в обыкновенных или в частных производных. Эти уравнения связны между собой некоторыми конечными соотношениями. Поэтому возникают два вопроса: выбор численной схемы решения дифференциальных уравнений; выбор алгоритма согласования решений отдельных уравнений. При решении уравнений, прежде всего, производится их преобразование в конечно – разностные соотношения. Для этого должен быть выбран шаг интегрирования по времени и по пространственной координате. В большинстве современных моделей шаг моделирования по времени принят равным одним суткам. При этом требование, предъявляемое к точности решения дифференциальных уравнений, приводит к необходимости дробления этого шага. Так, например, в имитационно – моделирующей системе AGROTOOL, разработанной в Лаборатории моделирования агроэкосистем Агрофизического НИИ (АФИ) при общем суточном шаге счета уравнение динамики почвенной влаги интегрируется с внутренним часовым шагом (Poluektov et al, 2002). Точно с таким же шагом производится расчет интенсивности фотосинтеза за очередные сутки. В наиболее распространенных одномерных моделях шаг по вертикальной координате (глубине почвенного профиля) равен 10 см, хотя он при необходимости может варьироваться. Для согласования же решений отдельных уравнений обычно используется подходящая итерационная процедура (Самарский, 1977). Рис 1.1. Схема взаимодействия СБД и ОБД.
Возможную структуру информационной поддержки модели рассмотрим на примере моделирующего комплекса AGROTOOL. v.3 (Poluektov, 2002). Он основан на использовании базы данных, сопровождаемой специализированной системой управления, т.н. СУБД. База данных модели, реализованная в СУБД Access, представляет собой иерархическую реляционную структуру, состоящую из приблизительно 40 реляционных таблиц. На верхнем уровне иерархии содержатся данные о погоде, измеряемые либо на метеопосте хозяйства, либо на ближайшей метеостанции. Следующий уровень составляет информация об опытном (или производственном) хозяйстве. Дальнейшие уровни содержат данные о полевых опытах, культурах, полях, и вариантах опыта. Упрощенная концептуальная схема базы данных (БД) приведена на рис.1.2. Рис.1.2. Упрощенная концептуальная структура базы данных. Содержащаяся в БД информация предназначена для длительного хранения. Она образуют стационарную базу данных (СБД). Для выполнения модельных расчётов из СБД должна быть выбрана информация, тербуемая для проведения конкретного вычислительного эксперимента. При этом в режиме диалога с моделью должны быть указаны: место и время проведения эксперимента, а также культура, поле и агротехнология. Этот диалог и реализуется управляющей программой - оболочкой модели, которая осуществляет выбор соответствующих данных из СБД, их преобразование (если это необходимо) и запись в оперативную базу данных ОБД. Именно эта информация и будет доступна модели в процессе счета. Данные, используемые моделью продукционного процесса, подразделяются на условно-постоянные и оперативные. Так, например, условно постоянные данные о почве включают себя агрофизические и агрохимические характеристики почвенного покрова, а к оперативным данным относятся данные о почвенном влагозапасе, измеряемом с некоторой периодичностью в каждом сезоне вегетации. В истории развития систем моделирования динамики агроэксистем (другое определение – динамики продукционного процесса сельскохозяйственных растений) практически все авторы вплоть до середины 90-гг. 20-го века главное внимание уделяли именно конструированию собственно модели (Poluektov, Topaj, 2001). И только в последние годы появились работы, посвященные обеспечению инфраструктуры моделирования, разработке управляющих программ и оболочек (Acock et al, 1999, Jones J.W. et al, 2003). Рассмотрим особенности реализации других известных на текущий момент систем моделирования. В мировой практике существует три основных подхода к созданию подобных систем (Topaj et al, 2013). Системы поливариантного расчёта – среды исполнения моделей продукционного процесса, позволяющие производить многократный запуск моделей с разными входными данными в пакетном режиме. Универсальные оболочки для моделей продукционного процесса – среды исполнения, позволяющие подключать к ним произвольные модели и предоставляющие к ним типовой пользовательский интерфейс. Среды структурной идентификации моделей – программные продукты, позволяющие пользователю конструировать модели из готовых модулей.
Требования к структуре данных в системе поливариатного расчёта
Поскольку при построении полного факторного эксперимента производится декартово перемножение множеств уровней всех факторов, а параметров, которые могут варьироваться в качестве независимых переменных, в любой типичной модели сложной системы очень много, количество сценариев может получиться слишком большим для того, чтобы можно было провести эксперимент, имея в распоряжении ограниченные аппаратные и временные ресурсы. В связи с этим, встаёт задача каким-то образом ограничить мерность факторного пространства средствами системы имитационного моделирования (Иберла, 1980). Наиболее очевидный путь решения этой задачи видится в использовании того очевидного факта, что в реальных экспериментах не все параметры варьируются. Таким образом, для каждого нового вычислительного эксперимента часть данных, передаваемых модели, является постоянной для всего эксперимента, а часть варьируется. При этом факторы назначаются динамически, и мерность факторного пространства можно ограничить, только принудительно задав для неё максимальное значение.
В реальности это решение оказывается неэффективным. Например, в моделях продукционного процесса в качестве вектора неконтролируемых воздействий, как правило, используются суточные погодные метеоданные. В то время как вегетационный период обычно длится около полугода, а метеоданные, как правило, содержат около 5 – 6 показателей, нетрудно посчитать, что в среднем такой объём входных данных соответствует приблизительно полутора тысячам переменных. Если варьировать каждую из них для всех лет, используемых в вычислительном эксперименте, мы получим огромное количество сценариев. Более того, в реальности оно не нужно, т.к. большинство комбинаций значений показателей суточных погодных метеоданных не имеет практического смысла. Гораздо более адекватным реальности выглядит идея брать наборы суточных погодных метеоданных для каждого года как единое целое. В этом случае они становятся одним качественным фактором, одна градация которого соответствует одному астрономическому году в зоне действия одной метеостанции. Если посмотреть на другие факторы жизни растений, такие, как, например, «почва», нетрудно заметить, что почвенный индивидуум так же является единым целым, и каждый набор данных о почве тоже следует рассматривать в качестве градации одного фактора.
Из этих примеров можно сделать предположение, что при работе с динамической моделью в качестве факторов следует рассматривать некие крупные домены или объекты предметной области, характеристики которых учитываются в моделируемом объекте. При таком подходе все факторы становятся качественными, а любая разница в данных, описывающих один объект предметной области, становится отдельной градацией фактора, соответствующего этому объекту. Тогда встаёт вопрос, как быть с параметрами, которые являются количественными и по смыслу могут выступать в роли отдельных факторов. Например, физиологические процессы в моделях продуктивности часто описываются эмпирическими константами; сюда же можно отнести дозы внесения определённых удобрений. Для таких случаев можно предположить наличие факторов «параметры культуры» и «технологии возделывания», которые включают в себя указанные количественные параметры. Для проведения факторных экспериментов с такими параметрами необходимо для каждой градации этих факторов создавать копии заполненных наборов данных, отличающихся только варьируемыми параметрами. Таким образом, решение объединить наборы параметров, относящихся к одним и тем же объектам предметной области, в факторы, выглядит достаточно эффективным.
Если рассматривать структуру векторов внешних воздействий, то их, как и результаты, можно описать в виде таблиц, одной из колонок в которых будет временной шаг модели. Примерами таких таблиц могут служить суточные погодные метеоданные или расписание внекорневых подкормок. При этом по семантике к одному и тому же фактору могут относиться входные данные, которые в эволюционном операторе могут быть как векторами внешних воздействий, так и параметрами. Например, и параметры, определяющие характеристики автоматического режима орошения или осуществления азотных подкормок, и декларативные даты и нормы технологических воздействий (например, внесения удобрений), скорее всего, будут относиться к одному и тому же фактору – технологии возделывания. Отсюда следует, что факторы и составляющие эволюционного оператора (2.1) находятся между собой в семантическом отношении «многие ко многим». Более того, многие параметры модели также могут иметь более сложную структуру, чем просто скалярные значения, которые могут быть отнесены к тому или иному фактору. Например, физические параметры почвы, как правило, имеет смысл рассматривать не для всей почвы в целом, а отдельно для каждого горизонта. Параметры, характеризующие интегральные свойства почвы или её поверхность, напротив, являются скалярными. Таким образом, большая часть входных параметров может быть структурирована в виде наборов таблиц и констант, привязанных к определённым факторам. Поскольку любая регулярная структура данных может быть представлена в реляционной форме, набор таблиц, привязанных к одной градации фактора, может быть использован для хранения входных данных для модели вне зависимости от состава данных. Для демонстрации возможностей этого подхода рассмотрим два более сложных примера. Предположим, что мы работаем с некоторой моделью динамики микробной биомассы в почве, для которой температурный режим почвы – это данные, задаваемые извне. Температура почвы зависит от двух параметров: времени года и глубины. Как правило, это описывается с помощью специальных диаграмм (изоплет). Каждая изоплета соответствует определённому значению температуры почвы.
Структура Базы Данных в системе APEX
Чтобы описать конкретную структуру БД в системе поливариантного расчёта, вспомним общие требования к этой структуре, описанные в предыдущей главе. Каждая модель должна содержать корневые и дочерние таблицы для хранения исходных данных для расчётов, и одну таблицу для результатов. Кроме этого, в базе данных должны быть таблицы для хранения описаний вычислительных экспериментов – проекты, сценарии и измерения. Поскольку в системе поливариантного расчёта может быть зарегистрирована любая модель, логично предположить, что пользователь должен иметь возможность работать сразу с несколькими моделями. В связи с этим, ещё в базе данных должна быть таблица для хранения реестра зарегистрированных моделей. При этом для каждой модели таблица результатов, а также корневые и дочерние таблицы должны быть свои.
Программа «APEX» поддерживает семь предопределенных факторов: «Почва», «Культура», «Местность», «Технологии возделывания», «Погода», «Атмосфера» и «Начальное состояние». Каждая регистрируемая модель продукционного процесса может иметь любое непустое подмножество из этих факторов. Каждому фактору в зарегистрированной модели соответствует одна корневая таблица. Такие таблицы содержат по две колонки: автоматически генерируемый идентификатор и текстовое описание градации фактора. Запись корневой таблице соответствует одной градации фактора одной модели. Все свои данные модели продукционного процесса хранят в дочерних таблицах, которые привязаны к определённому фактору через корневую таблицу. Все дочерние таблицы имеют внешний ключ на корневую таблицу того фактора, к которому относятся. Таким образом, полный набор данных для каждой градации фактора представляет собой запись в корневой таблице, соответствующей рассматриваемому фактору, и связанные с ней по внешнему ключу записи во всех дочерних таблицах. При этом все эти данные идентифицируются одним-единственным идентификатором градации конкретного фактора в контексте модели.
Кроме входных данных, каждая модель содержит таблицу результатов. Поскольку система поливариантного расчёта предназначена для прогона множества сценариев расчёта, эта таблица должна быть связана со сценариями связью «один ко многим». Кроме этой связи, она должна содержать колонку для хранения идентификатора времени, уникальную в пределах каждого сценария, и поля вектора состояния модели.
Во избежание конфликтов имён при создании пользовательских таблиц в системе поливариантного расчёта используется концепция именования с использованием специфических префиксов - каждой модели соответствует свой префикс, в то время как для постоянных таблиц, а также представлений, функций и ограничений используется зарезервированный системный префикс «reg». Это, а также ряд дополнительных соглашений и ограничений позволяет гарантировать, что никаких конфликтов имён между системными и пользовательскими объектами возникнуть не может. Перейдём теперь к описанию других постоянных таблиц системы поливариантного расчёта. Организация данных для работы с проектами и сценариями достаточно очевидна и выглядит следующим образом: проекты и сценарии хранятся в реляционных таблицах, связанных внешним ключом, посредством которого сценарий ссылается на проект. Однако связь сценария с данными модельных расчётов является нетривиальной задачей, имея в виду универсальный характер разрабатываемой системы. Поскольку таблицы для хранения данных модельных расчётов создаются пользователем на этапе эксплуатации, на момент развёртывания системы невозможно создать связи сценария с таблицами исходных данных модели, т.к. эти таблицы появятся только после интеграции модели с системой поливариантного расчёта. При этом на надёжность работы системы влияет как использование ORM в клиентском коде, так и использование средств контроля целостности данных, встроенных в СУБД. С одной стороны, максимальная доля таблиц должна быть отнесена к постоянным объектам БД системы, чтобы с ними можно было работать через ORM, с другой стороны, ограничения целостности на динамически создаваемых таблицах должны максимально соответствовать семантике данных.
Рассмотрим более внимательно понятие сценария. Сценарий – это часть проекта. Кроме того, сценарий – это кортеж ссылок на градации всех факторов конкретной модели (Кнут, 2007а). При этом разные модели могут поддерживать разные подмножества предопределённых факторов, и в этом случае сделать универсальную таблицу сценариев с внешними ключами на корневые таблицы невозможно. Отсюда следует, что список ссылок на корневые таблицы в сценарии должен быть динамическим, что, в свою очередь, можно реализовать посредством связующей таблицы, содержащей фактор, идентификатор сценария и ссылку на корневую таблицу. Это решение позволяет сразу же удовлетворить ряду требований: Структура сценария представлена в постоянных таблицах модели, что позволяет удобно анализировать данные с использованием ORM. Структура данных позволяет унифицированным способом поддерживать модели с разным набором факторов. Целостность данных может контролироваться посредством внешних ключей и уникальных ограничителей (в рамках одного сценария все факторы должны быть разными). Поскольку внешние ключи на корневые таблицы при таком решении создать невозможно, связующая таблица ссылается на пользовательские таблицы не посредством внешнего ключа, а посредством предиката, указывающего выбранную градацию каждого фактора для сценария. Целостность данных при этом контролируется на уровне приложения с использованием ORM. Как и входные данные для модели, результаты тоже помещаются в таблицу, созданную пользователем. Очевидно, что такая таблица должна содержать ссылку на таблицу сценариев. В системе поливариантного расчёта «APEX» эта ссылка представляет собой идентификатор сценария без внешнего ключа. Целостность данных контролируется на уровне приложения.
Оптимизация полива в засушливых регионах
При традиционном подходе оптимизация агротехнологий осуществляется посредством масштабного полевого опыта, вариантами которого являются исследуемые способы агротехнологических воздействий. Для обеспечения статистической достоверности необходимо проводить опыт в течение большого количества лет, чтобы прогнать исследуемые технологии возделывания в репрезентативной выборке характерных для региона реализаций погодных условий (Доспехов, 1979). Таким образом, подобные опыты являются очень трудоёмкими, и более эффективным решением задачи оптимизации агротехнологий является использование моделей продукционного процесса в вычислительных компьютерных экспериментах. Достигнутый к настоящему моменту уровень теории и практики построения математических моделей агроэкосистем делает данную задачу выполнимой (Полуэктов и др., 2006; Терлеев, 2000).
Одним из основных факторов, лимитирующих урожай сельскохозяйственных культур в регионах засушливого климата, является водный стрес (Guinta et al., 1993; Monteith, 1996). Так, согласно данным многолетнего полевого опыта, выполненного в НИИСхЮВ (Полуэктов и др., 1998), урожай яровой пшеницы, выращиваемой на богаре, варьирует от 15 ц/га (для засушливого 1979 года) до 48 ц/га (для влажного 1973 года), то есть отличается более чем в три раза. Это свидетельствует о первостепенном значении, которое имеет выбор правильной схемы орошения для обеспечения максимальной экономической эффективности сельскохозяйственного производства в данном регионе (Гавиловская и др., 2011). Определению рациональных норм и сроков полива сельскохозяйственных культур посвящено огромное число публикаций в отечественной и зарубежной литературе. Если подойти к задаче определения наилучшей стратегии орошения как к формальной проблеме оптимального управления, то необходимо выделить ряд ее характерных особенностей, делающих поиск решения весьма нетривиальным делом. Непредсказуемость погоды. Для принятия решения о поливе нужно располагать информацией о предстоящих осадках. В противном случае возможна ситуация, когда непосредственно после осуществления акта полива выпадет достаточное количество осадков, и произведенный полив окажется бесполезным или даже окажет негативное влияние на рост растений, приводя к стрессу по переувлажнению. Однако реализация будущей погоды нам неизвестна, и мы лишь иногда в состоянии ориентироваться на краткосрочные синоптические прогнозы той или иной степени достоверности. Ограниченные возможности управления. Не существует простых технических средств для того, чтобы изъять из почвы избыток воды, есть возможность только пополнить её недостаток. Иначе говоря, большинство агротехнологических воздействий, таких как орошение, внесение удобрений и т.д. позволяет управлять агроценозом только в положительном конусе (Заславский, Полуэктов, 1988). Экономическая природа критерия качества в задаче управления. Можно представить себе режим орошения, постоянно поддерживающий оптимальную влажность почвы для каждого растения, но экономическая выгода от максимальной прибавки урожая не сможет окупить затрат на поддержание работоспособности столь сложной ирригационной системы. Ситуация усложняется за счёт того, что аналитическое решение задачи оптимизации невозможно, поскольку модель продукционного процесса представляет собой не аналитическую функцию, а сложный вычислительный алгоритм. Поэтому ставить вопрос о нахождении строгого оптимума путём решения вариационной задачи не приходится, и следует ограничиться поиском квазиоптимальных решений в некотором классе функций, выбранном из соображений здравого смысла и практической реализуемости (Петрова и др., 1994). В такой постановке задача уже может быть решена с использованием системы поливариантного расчёта (Топаж и др., 2006). Для этого параметры umin и umax должны быть представлены в исходных данных модели, а урожай и сведения о поливах – в результатах работы модели. Кроме того, для обеспечения статистической достоверности необходимо проварьировать погодные реализации. Таким образом, поставленная задача нахождения оптимальной стратегии орошения была сведена к реализации двухфакторного компьютерного эксперимента, где в качестве первого фактора выступало параметризованное описание стратегии автоматического полива (в терминах сетки возможных значений итіп, итах), а в качестве второго (интерпретируемого для целей статистического анализа как повторность) - альтернативные реализации погоды. В качестве моделируемой культуры выбрана яровая пшеница сорта Саратовская-29. Почвенные характеристики модели соответствовали данным, полученным из анализа образцов, взятых на опытных полях НИИ сельского хозяйства Юго-Востока. Тестовыми погодными реализациями выступали фактические данные суточных метеопараметров метеостанции Саратов за двенадцать лет вегетации (в периоды 1972-1979 и 1987-1990 гг.). Адекватность используемого варианта модели для выбранных условий была подтверждена путем ее верификации по данным многолетнего полевого опыта, проведенного в НИИСхЮВ под руководством В.А. Кумакова (Кумаков, 1980; Кумаков, 1985). Множество исследуемых альтернативных технологий орошения задавалось в виде сетки значений umin, umax с шагом 0.05, где величина umin варьировалась в пределах от 0.4 до 0.95, а величина umax в пределах от 0.7 до 1.2. Всего, после исключения вырожденных вариантов, проект вычислительного эксперимента состоял из 891 сценариев.
Исходные данные для расчётов были импортированы в систему поливариантного расчёта из стационарной базы данных SIAM способом, описанным в разделе про идентификацию параметров. Альтернативные технологии орошения были заданы посредством варьирования фактора «Технологии возделывания» с использованием инструмента размножения градации фактора, уже описанного в разделе про идентификацию параметров. Схема создания проекта эксперимента показана на рис. 4.6. Для выполнения эксперимента модель была модифицирована таким образом, чтобы в результаты её работы выводились данные о том, сколько поливов было произведено и сколько суммарно воды потребовалось для осуществления этих поливов. Поскольку взятая для работы версия модели уже содержала в своих результатах колонку «полив», первоначальной идеей было вычислить эти показатели непосредственно в оперативной базе данных встроенными средствами Microsoft Excel, не меняя кода модели, но оказалось, что драйвер OLE DB, используемый адаптером модели Agrotool, некорректно обрабатывает формулы, и от этого пришлось отказаться. Для обеспечения возможности анализа данных средствами поливариантного расчёта структура данных модели была дополнена соответствующими колонками результатов, после чего было выполнено мягкое обновление базы данных. Это позволило добавить в системе поливариантного расчёта поддержку новых результатов модели без потери данных, уже введённых в систему.
