МЕХАНИЗМ ПРОГНОЗИРОНИЯ КАЧЕСТВЕННЫХ ХАРАКТЕРИСТИК НА ТЕРРИТОРИИ КАЗАХСТАНА

MECHANISM FOR FORECASTING QUALITATIVE CHARACTERISTICS ON THE TERRITORY OF KAZAKHSTAN

Vladimir Verkholantsev

student, School of Information Technology and Intelligent Systems, D. Serikbayev East Kazakhstan State Technical University,

Republic of Kazakhstan, Ust-Kamenogorsk

Gulnaz Zhomartkyzy

scientific adviser, Doctor PhD., D. Serikbayev East Kazakhstan State Technical University,

Republic of Kazakhstan, Ust-Kamenogorsk

АННОТАЦИЯ

В данной статье описывается принцип работы алгоритма прогнозирования качества зерна на базе годов-аналогов.

ABSTRACT

This article describes the principle of operation of the grain quality-forecasting algorithm based on analogous years.

Ключевые слова: прогнозирование, качественные характеристика зерна, год-аналог.

Keywords: forecasting, quality characteristics of grain, analogue year.

Стабильность в добыче зерна, является актуальной проблемой сельского хозяйства. Поэтому в решении данной проблемы непосредственно влияет рациональное использование биоклиматических ресурсов территории через полное эксплуатирование зональных адаптивных ресурсосберегающих систем земледелия, определяющих как научно обоснованное размещение сельскохозяйственных культур, так и возможность корректировки структуры их площадей в конкретном промежутке времени.

Сельское хозяйство является одним из векторов экономического развития Какзахстан, исходя из этого

Для создания механизма был использован метод годов-аналогов. Суть метода заключается в сравнении качетсвенных характеристик в прогнозированном году с годом максимально похожим на прогнозируемый по погодным факторам.

На рисунке 1 представлен алгоритм прогнозирования зерна качественных характеристик зерна.

Шаг первый. Пользователь вносит данные о качественных характеристиках зерна, полученные после иследования пробы партии.

Шаг второй. Данные отправляются и обрабатываются на сервере. Данный этап позволяет снизить время работы на стороне клиента и увеличить производительность.

Шаг третий. Данные получаются с сервера в разрезе конкретной номенклатры, локации и временного периода. Информация сохранияется локально в регистры сведений.

Рисунок 1. Алгоритм прогнозирования

При отправке пользователем данных, на сервер поступает массив данных в формате xml, содержащий таблицу качества зерна по категориям, области, а также дате получения. Данная таблица с помощью левого соединения объединяется с xml таблицей данных метеостанции с погодой на время роста.Реализовано это с помощью объектов xdt.

Шаг четвертый. На основе базовой модели оценки зерна (1) обновляются данные о зависимостях между качественными характеристикам и погодными условиями.

                                                             (1)

Где  является детерминированной частью производственной функции, которая связывает погодные параметры со средним качеством зерна.  является гетероскедастичкой ошибкой, которую можно представить как (2)

                                                             (2)

Где   будет являться стохастическим компонентом функции, отображающей зависимость между погодными параметрами и дисперсией содержания качества зерна. А  является независимой и равнораспределенной степенью погрешности.

Данная модель позволит обновлять значения в таблицах качественных характеристик по формуле непосредственно после отправки проб зерна на сервер, что многократно снизит время ожидания при прогнозировании качества зерна на клиенте, а также уменьшает требуемое оборудование к пользователю. На клиенте данные об отношении качественных характеристиках и изменчивости погоды хранятся в регистрах сведениях “ХарактеристикиКачестваЗеран” и “ПогодныеХарактеристики”. Данные объекты в конфигурации присутствуют для локального хранения информации и имеют тип “Регистр накопления”.

Рисунок 2. Форма проба зерна

Данные о погоде для прогнозирования берутся со 168 метеостанций, находящихся на территории Казахстана. В случае отсутствия суточного значения эти данные заменяются значениями ближайшей станций. Для каждой станции ежедневные измеренные значения суммируются до месячных сумм. Хотя стадии развития зерновых культур не совсем совпадают с календарными месяцами, широко распространено использование месячных сумм или средних значений погодных переменных вместо точных периодов биологического роста. Результаты влияния климатических факторов на конкретное качество зерна хранится на сервере.

Рисунок 3. Метеоданные

Механизм анализа данных представляет собой набор взаимодействующих друг с другом объектов встроенного языка, что позволяет разработчику использовать его составные части в произвольной комбинации в любом прикладном решении. Встроенные объекты позволяют легко организовать интерактивную настройку параметров анализа пользователем, а также позволяют выводить результат анализа в удобной для отображения форме в табличный документ.

Шаг пятый. После обработки данных пользователь формирует отчёт о прогнозировании. Пример отчёта представлен на рисунке 4.

Рисунок 4. Результат прогнозирования

Список литературы:

1. Полевой А.Н. Методическое пособие по разработке динамико-статистических методов прогнозирования урожайности сельскохозяйственных культур. М.: Гидрометеоиздат.1981, 36с.
2. Полевой А.Н., Русакова Т.И. и др. Прикладная динамическая модель формирования урожая сельскохозяйственных культур.
3. Лотов А.В., Поспелова И.И. Многокритериальные задачи принятия решения. М.: МАКС Пресс, 2008. – 197 с.
4. Лебедева В. М., Чуб О. В. Результаты испытания метода долгосрочного прогноза урожайности зерновых и зернобобовых культур по федеральным округам и России в целом в ФГБУ «Гидрометцентр России»
5. Полевой А. Н. Прикладное моделирование и прогнозирование продуктивности посевов. Л.: Гидрометеоиздат, 1988. 320 с.