Expert management systems of agrotechnologies in cloud information technology

Толық мәтін

ВВЕДЕНИЕ

За последние 30 лет компьютеры, а вместе с ними и информационные технологии прочно вошли в жизнь общества, включая производственные и непроизводственные сферы экономики. [1, 2] Не стало исключением и сельское хозяйство, которое сталкивается с множеством трудностей и проблем. В основе модернизации аграрного сектора лежит переход к «интеллектуальному» сельскому хозяйству, основанному на комплексной автоматизации и роботизации производства, использовании автоматизированных систем принятий решений, современных технологий моделирования и проектирования экосистем.

Интеллектуализация превращает сельское хозяйство в сектор с очень интенсивным потоком данных. Информация поступает от различных устройств, расположенных в поле, на ферме, от датчиков агротехники, метеорологических станций, дронов, спутников, внешних систем, партнерских платформ, поставщиков. Общие данные от различных участников производственной цепочки, собранные в одном месте, позволяют получать информацию нового качества, находить закономерности, создавать добавочную стоимость для всех вовлеченных участников, применять современные научные методы обработки (data science) и на их основе принимать правильные решения, минимизирующие риски, улучшающие бизнес производителей и клиентский опыт.

В работе [8] рассмотрено одно из направлений интеллектуализации управления агротехнологиями, основанное на использовании облачных информационных технологий. Особое внимание уделено возможности практической реализации систем автоматизированного управления с учетом кадровой проблемы. Показано, что высокий научно-технический уровень систем и простота их использования обеспечивается путем создания экспертных систем управления, в которых базы знаний (БЗ) формируются посредством алгоритмов аналитических систем управления, реализующих современную теорию управления в полном объеме.

Цель работы — апробация предлагаемой методики на примере построения экспертной системы, ориентированной на использование облачных технологий.

АЛГОРИТМ АНАЛИТИЧЕСКОЙ СППР ПО ДАТЕ ЗАГОТОВКИ КОРМОВ

Среди управляющих решений, принимаемых менеджментом хозяйств, наиболее важные и ответственные — решения о сроках уборки урожая сельскохозяйственных культур. Особенно они актуальны в управлении процессами заготовки кормов из многолетних трав в течение вегетационного периода. Выбор удобного и актуального критерия служит отправным пунктом решения данной задачи. Такой критерий должен отражать баланс между количественными и качественными показателями травостоя. Качественные показатели готового корма влияют на его переваримость (усваиваемость) животными. Этот показатель наиболее распространен в молочном животноводстве, он оценивается в процентах и может быть определен следующей регрессионной зависимостью [10]:

л(к, p) = b_a+ bfc + b₂p + Ь₃кр                  (1)

где: p, к — содержание протеина и клетчатки в сухом веществе травостоя, %; b₀-b₃ — параметры модели.

Для обоснования критерия оптимальности принятия решений при заготовке кормов необходимо иметь в виду, что цель всей системы кормозаготовки — получение заданной урожайности травостоя с заданными параметрами качества. С учетом ранее принятых обозначений, формализованный вариант критерия, использующий показатель переваримости кормов, имеет следующий вид [10]:

ЦТ) = gSm(T)-тУ + g₂(jt(k,p\T)-я\к,р))\ (2)

где m(T), m" — прогнозное и заданное значение величины биомассы травостоя (урожайности), кг/м²; n(k, p\T), n*(k, p) — прогнозное и заданное значение показателя переваримости биомассы травостоя (функция от %-ого содержания в сухом веществе клетчатки и протеина) g₁, g₂ — весовые множители, посредтвом которых устанавливается требуемый баланс между массовыми и качественными компонентами критерия и его безразмерный характер.

Критерий (2) имеет явно выраженный минимум, что соответствует балансу его компонентов, то есть отражает компромисс между количеством и качеством убираемой биомассы. Обозначим решающее правило о сроках заготовки кормов, с учетом баланса составляющих критерия:

T = T ^* (укос), T ^* = argmin I(T).

Для оценки параметров состояния травостоя, входящих в критерий (2), необходимы математические модели, отражающие динамику величины биомассы и ее качественных показателей, а также модели, определяющие связь параметров состояния биомассы с показателями оптического отражения в системах ДЗЗ.

Решая поставленную задачу, мы используем два основных блока математических моделей: структуры биомассы и ее качественных показателей. Каждый из них имеет канонический векторно-матричный вид [6, 10].

Блок структуры биомассы в развернутой форме или в символической векторно-матричной Блок качественных показателей биомассы в развернутой форме или в символической векторно-матричной За состояния принимаем: в блоке структуры биомассы – x1м, x2м – сухую и сырую надземную массу растений, кг/м2, в блоке качественных показателей – x1к, x2к и x3к – массу клетчатки, легкорастворимых углеводов и сырого протеина в сухой массе растений, кг/м2. Внешние возмущения в обоих блоках: f1 – среднесуточная температура воздушной среды, °C; f2 – среднесуточный уровень радиации, Вт/(м2 · ч.); f3 – среднесуточный уровень осадков, мм, f4 – влагосодержание почвы. Возмущения начальных условий в обоих блоках модели:

содержание (г/кг) доступного азота в почве w1; доступного калия w2; доступного фосфора w3. Непосредственно наблюдаемыми величинами в блоке структуры биомассы были приняты: y1м – общая надземная биомасса растений, кг/м2; y2м – процентное содержание сухого вещества в общей биомассе, а в блоке качественных показателей y1к, y2к и y3к – процентное содержание клетчатки, легкорастворимых углеводов и сырого протеина в сухом веществе соответственно. Факторы управления в моделях (4), (8): u1 – содержание в почве доступного азота, г/м2; u2 – влагосодержание почвы, мм.

Параметры модели структуры биомассы: a11,м – a22,м – динамические, с11,м – с23,м – передачи внешних возмущений, b11,м- b22,м – передачи управлений, d11,м- d13,м – модели начальных условий; Xм – вектор параметров состояния модели, Yм – вектор наблюдаемых величин; Aм, Cм, Bм, Dм – соответственно динамическая матрица, матрицы передачи возмущений, управлений и начальных условий в векторно-матричной форме модели структуры биомассы.

Параметры модели блока качественных показателей биомассы: a11,к – a33,к – динамические, с11,к – с33,к – передачи внешних возмущений, b11,к- b22,к – передачи управлений, d11,к – d33,к – модели начальных условий, Xк – вектор параметров состояния модели, Yк – вектор наблюдаемых величин, Aк, Cк, Bк, Dк – соответственно динамическая матрица, матрицы передачи возмущений, управлений и начальных условий в векторно-матричной форме модели; k1, k2, k3 – параметры связи массовых и качественных параметров биомассы. Общие для обоих блоков модели векторы внешних возмущений, управлений и возмущений начальных условий – F, U, W соответственно.

С учетом переменных приведенных моделей критерий принятия решений (3) будет иметь следующий вид:__

 

Теперь нам необходимо показать, каким образом осуществляется дистанционное зондирование посева многолетних трав. С точки зрения современной информационной теории такой метод характеризуется, как восстановление информации о состоянии объекта по косвенным наблюдениям. [4, 5, 11]

В этом случае на основе закона отражения света от неоднородной шероховатой поверхности (поверхность посева) может использоваться модель [5, 11]:

где: z1, z2 – параметры отражения системы ДЗЗ в инфракрасном и видимом диапазонах, p1 – p4 – параметры моделей, х1, х2, – случайные ошибки моделирования – нулевые средние значения и дисперсии d1, d2.

Экспоненциальная форма моделей ДЗЗ неустойчива к идентификации, поэтому целесообразно разложить функции в степенные ряды:

Вводя векторы и матрицу параметров, преобразуем модель в векторно-матричную форму:

Таким образом, мы получили аналитическое представление критерия и решающего правила принятия решений на его основе, а также математические модели, позволяющие оценивать и прогнозировать его величину.

Наличие моделей динамики биомассы травостоя (5) и модели оптических измерений ДЗЗ (16) позволяет оптимально оценивать структуру биомассы, используя методику оптимальной фильтрации. [3, 4, 7, 9]

где: – оптимальная средняя по площади поля оценка вектора параметров состояния биомассы травостоя, R – матрица ковариаций априорных ошибок оценивания, cov[X0м] – матрица ковариаций начальных условий в модели динамики состояния биомассы травостоя; – матрица ковариаций ошибок измерения оптических параметров.

Для реализации алгоритма (17) – центрального информационного ядра всей системы поддержки принятия решений о сроках уборки многолетних трав, необходимы наземные измерения химического состояния почвы (вектор управления U(t)) внешних метеоусловий (вектор F(t)), начальных условий (вектор ) и данных ДЗЗ (вектор Z(t)). На рисунке (см. первую стр. обл.) отражена методика получения информации о состоянии посева многолетних трав, используемая для идентификации математических моделей и их адаптации в реальном времени. [7, 9, 10]

На основном поле с многолетними травами выделены 10–15 тестовых площадок по 20…25 м2. Так как тестовые площадки занимают часть основного поля, то они имеют такие же физические характеристики почв и на них посеяны такие же многолетние травы, как и на основном поле. Различия между самими площадками и основным полем заключаются в дозах внесения минеральных удобрений и увлажнении почвы. Над тестовыми площадками установлена мачта с камерой приземного дистанционного зондирования, которая служит источником информации о состоянии посевов в реальном времени. Камера дистанционного зондирования имеет два оптических

канала (видимый и инфракрасный), что позволило с достаточной точностью и надежностью решать задачу оценивания параметров биомассы травостоя многолетних трав. Аналогичной камерой в настоящее время оборудованы и беспилотные летательные аппараты, используемые нами в системе мониторинга сельскохозяйственных полей. Такая же информация доступна и на отечественных спутниковых системах мониторинга («Ресурс» и «Ресурс П»).

После первых 5-6 шагов идентификации математических моделей, переходят к режиму принятия решений. Для этого посредством системы ДЗЗ, базирующейся на беспилотном или космическом летательном аппарате, в момент времени t осуществляют съемку посева травостоя на основном поле, для которого необходимо принимать решение о дате уборки. В результате этого формируют среднее по площади поля значение вектора показателей отражения Z(t), на основании которого по алгоритму (18) строится средний вектор оценок параметров биомассы (t), он и принимается в качестве начальных условий для краткосрочного (на 2-5 сут.) прогнозирования состояния биомассы. Используя соотношения (9) связи массовых и качественных показателей травостоя определяют начальные условия для прогнозирования параметров и . В процессе оценивания параметров состояния биомассы по данным ДЗЗ, как и при идентификации математических моделей, величина ошибок не превышает 10%-й уровень (рис. 1).

С помощью моделей (6),(10) прогнозируют состояние биомассы и ее качественных показателей, а также значения критерия (12) до тех пор, пока не будет выполнено условие T * = argmin I(T) (укос).

На рисунке 2 представлен график прогнозных значений критерия (11), где показано, что решение о проведении укоса принимают на 14-е сутки с начала первого межукосного периода вегетации многолетних трав. Заданные значения урожайности биомассы – 150 ц/га, а показателя переваримости – 89%. Прогнозные значения, для решения о дате укоса: урожайность биомассы – 148 ц/га, показатель переваримости – 85%. Весовые множители критерия принятия решений: g1 = 0, 07; g2 = 3,0.

ПОСТРОЕНИЕ ЭКСПЕРТНОЙ СППР

В соответствии с блок-схемой экспертной СППР (рис. 3) с обучением от центра обработки данных (ЦОД) на локальные системы посредством облачной технологии передаются БЗ и алгоритм принятия управляющих решений. Формируется БЗ

в ЦОД путем аналитического решения задачи для различных условий. Каждый набор таких условий и полученных решений выполняется элементарной записью БЗ. Для рассматриваемой задачи, с учетом принятых обозначений переменных, такая запись имеет вид: {Xm, Xk, Ym, Yk, F, U, T, I}. Входные параметры: векторы массовых Xm и качественных параметров Xk биомассы, наблюдаемые величины этих параметров Ym, Yk, вектор параметров метеоусловий F и управляемых факторов U, время прогнозирования T; выходной параметр – критерий принятия управляющего решения I.

При использовании моделей управления, необходимо учитывать тот факт, что решение о дате уборки урожая (укос) принимается по прогнозу минимума критерия I(T), поэтому необходимо располагать столькими моделями принятия решений, сколько суток включает в себя интервал прогнозирования, где: Z(T) – объединенный вектор входных данных БЗ, KT – матрица-строка параметров локальных моделей для T – х суток.

С учетом введенных моделей можно выразить решение о дате уборки:

При использовании подхода распознавания образов целесообразно применять метод «ближайшего  соседа», когда принадлежность к классу оценивается по минимальному расстоянию между векторами. где: yj – факторы для принятия решений на локальной СППР, j = 1,2…J – индексы и общее число компонентов объединенного вектора факторов принятия решений.

Решение о принадлежности вектора измеренных факторов принятия решений на локальной СППР принимается по условию (21)

Приведены результаты апробации локальной СППР по модели принятия решений (табл. 1), и по методу распознавания образов (табл. 2). Для апробации посредством аналитической СППР была сформирована БЗ из 50 случаев для различных входных данных с указанными выше параметрами. Решения по выбору оптимальной даты укоса травостоев принимали для произвольного набора входных данных локальной СППР, которая располагала БЗ, полученной из облака центра обработки.

В локальных СППР возможны ошибки в принятии решений по оптимальным датам уборки в пределах ±2 сут., что обусловлено погрешностями аппроксимации и идентификации этих моделей. Метод распознавания образов обладает большей гибкостью, и его потенциальная точность существенно возрастает при увеличении числа случаев в БЗ. Это связано с существенным ростом вероятности появления случаев, близких к реальным условиям локальной СППР.

 

Авторлар туралы

I. Mikhaylenko

Agrophysical Research Institute

Хат алмасуға жауапты Автор.
Email: ilya.mihailenko@yandex.ru

Grand PhD in Engineering sciences

Ресей, 195220, Sankt-Peterburg, Grazhdanskij prospekt, 14

V. Timoshin

Agrophysical Research Institute

Email: ilya.mihailenko@yandex.ru

PhD in Engineering sciences

Ресей, 195220, Sankt-Peterburg, Grazhdanskij prospekt, 14

Әдебиет тізімі

Қосымша файлдар