Stochastic modeling and estimation of the probability of loss of productivity

 
PIIS250026270000678-0-1
DOI10.31857/S250026270000678-0
Publication type Article
Status Published
Authors
Affiliation: Agrofizicheskij nauchno-issledovatel`skij institut
Address: Russian Federation, Sankt-Peterburg
Affiliation: Agrofizicheskij nauchno-issledovatel`skij institut
Address: Russian Federation, Sankt-Peterburg
Affiliation:
Agrofizicheskij nauchno-issledovatel`skij institut
Sankt-Peterburgskij gosudarstvenny`j universitet
Address: Russian Federation, Sankt-Peterburg
Journal nameRossiiskaia selskokhoziaistvennaia nauka
EditionNumber 5
Pages77-80
Abstract

The adoption of responsible managerial decisions in the context of potentially possible large or even "catastrophic" economic losses requires, apart from expert evaluation, the mandatory application of objective scientific approaches to the assessment of possible risks. Such methods allow to give an objective assessment of risks in the emerging or predicted critical situation. The article proposes a stochastic model for estimating the probability of loss of productivity in the crop production under different climate scenarios, including "bad" and "abnormally bad" seasons. The approach is based on the application of a modified algorithm for estimating the parameters of the finite mixture of distributions using retrospective information on the productivity of culture in a given geographical area in previous years. The adequacy of the model is tested on real data. The Russian Agrarian Institutes has accumulated extensive statistical material for the implementation of the proposed approach in various soil-climatic zones of the Russian Federation.

 

KeywordsClimatic risks, stochastic modeling, finite mixture of distributions, parameter estimation, SEM algorithm
Received21.08.2018
Publication date14.11.2018
Number of characters11101
Cite   Download pdf To download PDF you should sign in
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.

views: 1221

Readers community rating: votes 0

1. Yakushev V.P., Bure V.M., Brunova T.M. Statisticheskie metody v agrofizike// Agrofizika ot A.F. Ioffe do nashikh dnej.- SPb.: AFI.– 2002.– S. 319-330.

2. Yakushev V.P., Yakushev V.V. Informatsionnoe obespechenie tochnogo zemledeliya. – SPb: Izd-vo PIYaF RAN.– 2007.– 384 s.

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).– R. 1671 – 1677.

4. Yakushev V.P., Bure V.M. Metodologicheskie podkhody k otsenke optimal'nogo momenta vremeni provedeniya agrotekhnologicheskikh meropriyatij//Doklady Rossel'khozakademii.– 2001.– № 4.– S.27-30.

5. Yakushev V. P., Bure V. M. Statisticheskaya otsenka raspredeleniya optimal'nogo momenta vremeni provedeniya agrotekhnicheskogo meropriyatiya //Doklady Rossel'khozakademii.– 2002.– № 3.– S.11-13.

6. Yakushev V. P., Bure V. M., Yakushev V. V., Bure A. V. Optimal'nyj interval vremeni provedeniya agrotekhnicheskogo meropriyatiya //Doklady Rossel'khozakademii.– 2013.– № 4.– S.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.– R. 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.– R. 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.– R. 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.– R. 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.– R. 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.– R. 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.– R. 57–63.

14. Salmon-Monviola Jordy, Durand Patrick, Ferchaud Fabien c, Franzois 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.– R. 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.– R. 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.– R. 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.– R. 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.– R.668–689.

19. Akıs Rifat Spatial variability of soil solute and saturated hydraulic conductivity affected by undrained water table conditions// Precision Agriculture.– 2015.– 16.– R. 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.– R. 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.– R. 1–15.

22. Ajvazyan S.A., Bukhshtaber V.M., Enyukov I.S., Meshalkin L.D. Prikladnaya statistika. Klassifikatsiya i snizhenie razmernosti. (Spravochnoe izdanie) – M.: Finansy i statistika.– 1989.– 607 s.

Система Orphus

Loading...
Up