Стохастическое моделирование и оценка вероятности потерь продуктивности

 
Код статьиS250026270000678-0-1
DOI10.31857/S250026270000678-0
Тип публикации Статья
Статус публикации Опубликовано
Авторы
Аффилиация: Агрофизический научно-исследовательский институт
Адрес: Российская Федерация, Санкт-Петербург
Аффилиация: Агрофизический научно-исследовательский институт
Адрес: Российская Федерация, Санкт-Петербург
Аффилиация:
Агрофизический научно-исследовательский институт
Санкт-Петербургский государственный университет
Адрес: Российская Федерация, Санкт-Петербург
Название журналаРоссийская сельскохозяйственная наука
ВыпускНомер 5
Страницы77-80
Аннотация

Принятие ответственных управленческих решений в условиях потенциально возможных больших или даже «катастрофических» экономических потерь, требует, кроме экспертного оценивания, обязательного применения объективных научных подходов к оценке возможных рисков. Такие методы позволяют дать объективную оценку рисков в складывающейся или прогнозируемой критической ситуации. В статье предлагается стохастическая модель оценки вероятности потерь продуктивности в производстве растениеводческой продукции в условиях различных климатических сценариев, включая «плохие» и «аномально плохие» сезоны. Подход основан на применении модифицированного алгоритма оценки параметров конечной смеси распределений к ретроспективной информации о продуктивности культуры в данном географическом районе в прежние годы. Адекватность модели апробирована на реальных данных. В российских НИИ аграрного профиля накоплен обширный статистический материал для реализации предлагаемого подхода в различных почвенно-климатических зонах РФ.

 

Ключевые словаКлиматические риски, стохастическое моделирование, конечная смесь распределений, оценка параметров, алгоритм SEM
Получено21.08.2018
Дата публикации14.11.2018
Кол-во символов11101
Цитировать   Скачать pdf Для скачивания PDF необходимо авторизоваться
Размещенный ниже текст является ознакомительной версией и может не соответствовать печатной.
1 Задачи оценки состояния биологических объектов, оценки климатических рисков, все аспекты прогнозирования изменений биологических объектов должны и могут решаться на основе вероятностно-статистической методологии (стохастического моделирования), включающей на стадии анализа данных не только методы классической статистики, но и современные методы компьютерного анализа информации.
2 Вопросы статистического анализа данных всегда были актуальны для земледелия [1]. Важную роль в точном земледелии [2] играет совершенствование информационного обеспечения методов поддержки решений путем создания баз данных и знаний, экспертных систем и различных вероятностно-статистических моделей, позволяющих находить оптимальные или близкие к ним решения в условиях стохастической неопределенности и изменчивости.
3 Главная направленность стохастического моделирования связана с необходимостью принятия обоснованных управленческих решений в условиях неполного знания о физико-химических процессах, протекающих в природе, при наличии дефицита информации, при учете вероятностной природы прогнозирования агрометеорологических показателей и принципиальной невозможности рассмотрения всех многочисленных факторов, оказывающих значимое воздействие на продуктивность сельскохозяйственной культуры. Стохастические модели развития растений приведены в работах [7, 12], стохастические модели оптимизации сельскохозяйственных систем – в работах [3 – 6, 8, 9, 15, 16], стохастические модели в исследовании состава и структуры почвы – в работах [10, 11, 14, 19, 20], стохастические модели влияния погоды на продуктивность сельскохозяйственных культур – в работах [13, 17, 18], стохастические модели распределения и обнаружения сорняков – в работе [21].
4 Стохастические модели, в нашем понимании, должны носить прикладной, практический, объективный научный характер. Они предназначены для оказания поддержки руководителю хозяйствующего субъекта в принятии ответственных управленческих решений, прежде всего, в кризисных ситуациях. В качестве примера управленческого решения, принятого в реальной кризисной ситуации, можно привести решение отказаться от выращивания в Ленинградской области традиционных культур – картофеля, капусты и моркови.
5 Методика. Одним из важных примеров стохастического моделирования является оптимизация сроков проведения агротехнологических операций [4, 5, 6]. В начале каждого календарного года на стадии планирования агротехнологических операций возникает задача оценки момента времени или интервала времени проведения той или иной технологической операции. При этом, как правило, можно оценить ожидаемые потери за единицу времени, связанные с завышением или, наоборот, с занижением оценки времени проведения технологической операции. В задачах такого типа часто заранее можно указать временные границы проведения технологической операции. Проблема сводится к оценке момента времени проведения необходимых работ внутри некоторого временного интервала или выбору некоторого относительно небольшого временного промежутка, когда эти работы должны быть проведены. Важную роль в решении этих задач играет применение конечной смеси распределений для описания продуктивности некоторой сельскохозяйственной культуры.

всего просмотров: 1210

Оценка читателей: голосов 0

1. Якушев В.П., Буре В.М., Брунова Т.М. Статистические методы в агрофизике// Агрофизика от А.Ф. Иоффе до наших дней.- СПб.: АФИ.– 2002.– С. 319-330.

2. Якушев В.П., Якушев В.В. Информационное обеспечение точного земледелия. – СПб: Изд-во ПИЯФ РАН.– 2007.– 384 с.

3. Yakushev V. P., Karelin V. V., Bure V. M., Parilina E. M. Soil acidity adaptive control problem// STOCHASTIC ENVIRONMENTAL RESEARCH AND RISK ASSESSMENT.– 2015.– 29(6).– Р. 1671 – 1677.

4. Якушев В.П., Буре В.М. Методологические подходы к оценке оптимального момента времени проведения агротехнологических мероприятий//Доклады Россельхозакадемии.– 2001.– № 4.– С.27-30.

5. Якушев В. П., Буре В. М. Статистическая оценка распределения оптимального момента времени проведения агротехнического мероприятия //Доклады Россельхозакадемии.– 2002.– № 3.– С.11-13.

6. Якушев В. П., Буре В. М., Якушев В. В., Буре А. В. Оптимальный интервал времени проведения агротехнического мероприятия //Доклады Россельхозакадемии.– 2013.– № 4.– С.51-54.

7. Marie Elodie Vavitsara, Sylvie Sabatier, MengZhen Kang, Hery Lisy Tiana Ranarijaona, Philippe de Reffye Yield analysis as a function of stochastic plant architecture: Case of Spilanthes acmella in the wet and dry season//Computers and Electronics in Agriculture.– 2017.– 138.– Р. 105–116.

8. Pengfei He, Jing Li, Xin Wang Wheat harvest schedule model for agricultural machinery cooperatives considering fragmental farmlands//Computers and Electronics in Agriculture.– 2018.– 145.– Р. 226–234.

9. Reet Poldaru, Juri Roots Using a nonlinear stochastic model to schedule silage maize harvesting on Estonian farms//Computers and Electronics in Agriculture.– 2014.– 107.– Р. 89–96.

10. Zhang Shiwen, Zhang Lanlan, Li Zishuang, Wang Qingyun, Cui Hongbiao, Sun Zhongxiang, Ge Chang, Liu Huiling, Huang Yuanfang Three-dimensional stochastic simulations of soil clay and its response to sampling density//Computers and Electronics in Agriculture.– 2017.– 142.– Р. 273–282.

11. André L. Johann, Augusto G. de Araújo, Hevandro C. Delalibera, André R. Hirakawa Soil moisture modeling based on stochastic behavior of forces on a no-till chisel opener//Computers and Electronics in Agriculture.– 2016.– 121.– Р. 420–428.

12. Jun Diao, Philippe De Reffye, Xiangdong Lei, Hong Guo, Veronique Letort Simulation of the topological development of young eucalyptus using a stochastic model and sampling measurement strategy//Computers and Electronics in Agriculture.– 2012.– 80.– Р. 105–114.

13. Harwood T.D., Al Said F.A., Pearson S., Houghtona S.J., Hadley P.Modelling uncertainty in field grown iceberg lettuce production for decision support//Computers and Electronics in Agriculture.– 2010.– 71.– Р. 57–63.

14. Salmon-Monviola Jordy, Durand Patrick, Ferchaud Fabien c, Franзois Oehler d, Luc Sorel Modelling spatial dynamics of cropping systems to assess agricultural practices at the catchment scale//Computers and Electronics in Agriculture.– 2012.– 81.– Р. 1–13.

15. Mayer D.G., Walmsley B.J., McPhee M.J., Oddy V.H., Wilkins J.F., Kinghorn B.P., Dobos R.C., McKiernan W.A. Integrating stochasticity into the objective function avoids Monte Carlo computation in the optimisation of beef feedlots//Computers and Electronics in Agriculture.– 2013.– 91.– Р. 30–34.

16. Silva-Villacorta D., Lopez-Villalobos N., Blair H.T., Hickson R.E., MacGibbon A.K. A stochastic farm model to simulate dairy farms and the segregation of cows to produce milk with different concentrations of unsaturated fatty acids//Computers and Electronics in Agriculture.– 2016.– 125.– Р. 29–38.

17. Dumont Benjamin, Basso Bruno, Leemans Vincent, Bodson Bernard, Destain Jean-Pierre, Destain Marie-France Systematic analysis of site-specific yield distributions resulting from nitrogen management and climatic variability interactions//Precision Agriculture.– 2015.– 16.– Р. 361–384.

18. Grifo A.R.L., Marques da Silva J.R. Stochastic simulation of maize productivity: spatial and temporal uncertainty in order to manage crop risks// Precision Agriculture.– 2015.– 16.– Р.668–689.

19. Akıs Rifat Spatial variability of soil solute and saturated hydraulic conductivity affected by undrained water table conditions// Precision Agriculture.– 2015.– 16.– Р. 330–359.

20. McFadden Brandon R., Wade Brorsen B., Raun William R. Nitrogen fertilizer recommendations based on plant sensing and Bayesian updating// Precision Agriculture.– 2018.– 19.– Р. 79–92.

21. Jones G., Ge´e Ch., Truchetet F. Modelling agronomic images for weed detection and comparison of crop/weed discrimination algorithm performance// Precision Agriculture.– 2009.– 10.– Р. 1–15.

22. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. (Справочное издание) – М.: Финансы и статистика.– 1989.– 607 с.

Система Orphus

Загрузка...
Вверх