Распределенный измерительно-моделирующий комплекс для оперативного сопровождения полевого опыта

Размещено на http://www.allbest.ru

Размещено на http://www.allbest.ru

Важным инструментом при внедрении современных наукоемких технологий в традиционную практику растениеводства являются прикладные динамические модели продукционного процесса сельскохозяйственных растений. Особенно значимой становится их роль как интеллектуального ядра компьютерных систем поддержки агротехнологических решений в рамках новых перспективных трендов развития сельскохозяйственной отрасли - устойчивого и точного земледелия [1]. 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 индикаторов роста и развития растений. В настоящее время качество самих моделей уже достаточно для получения прогнозов, имеющих практическую ценность. Но традиционная критика моделей со стороны специалистов аграрного сектора состоит в том, что модель чаще всего работает в режиме «посмертного учета» и готова ответить на вопросы лишь «задним числом», в частности, когда у нее есть на входе все необходимые данные за весь моделируемый вегетационный период. Действительно, наличие полного набора этих данных перед началом расчета является, как правило, необходимым условием возможности запуска модели.

Требующиеся для модели параметры почвы или культуры можно получить до момента посева и ввести в систему расчета в качестве неизменных входных данных. Но сведения о погоде текущего года (а в типичной динамической модели агроэкосистемы под ними понимаются суточные погодные метеоданные) в самом лучшем случае известны только по настоящее время. Не говоря уже о том, что получение даже этой информации в оперативном и желательно автоматическом режиме из открытых источников, как правило, весьма затруднительно. В любом случае с помощью модели можно рассчитать интересующие характеристики продуктивности только для уже прошедшего периода вегетационного сезона, для которого заданы суточные погодные метеоданные. В то же время поддержка принятия решений в сельском хозяйстве должна основываться на модельных прогнозах, которые делаются «здесь и сейчас». Иными словами, работая в режиме оперативного сопровождения полевого опыта, модель должна использовать как максимально «свежую» информацию о текущих погодных условиях, так и каким-то образом прогнозировать суточные погодные метеоданные на оставшейся, будущей части вегетационного периода. Описанию методики возможного решения этой задачи и представления результатов оперативного сопровождения реальных полевых опытов посвящена настоящая работа.

В качестве базового инструмента, использованного для решения поставленной проблемы, в Агрофизическом НИИ (Санкт-Петербург) создан распределенный измерительно-моделирующий комплекс, состоящий из следующих основных компонентов:

Модель продукционного процесса AGROTOOL

Система поливариантного расчёта APEX

Автоматическая метеостанция (АМС)

Стохастический генератор суточных погодных метеоданных

Стационарная база данных полевого опыта и информационной поддержки моделирования.

Модель продукционного процесса AGROTOOL представляет собой динамическую модель третьего уровня продуктивности [2, 3]. Она позволяет моделировать динамику продукционного процесса для широкого набора культур с временным шагом, равным одним суткам. В качестве входных данных используются: набор параметров культуры, описывающий особенности физиологии моделируемого растения; сведения о физике почв в разрезе почвенных горизонтов; сведения о технологиях возделывания; суточные погодные метеоданные; сведения о местности и об исходном состоянии агроэкосистемы перед началом расчета. Результатами работы модели являются урожай, сроки наступления фенофаз, динамика биомасс надземной и корневой частей растения и множество других параметров, выступающих в роли внутренних переменных расчетного алгоритма.

Система поливариантного расчёта APEX - это универсальная оболочка или среда, служащая для автоматизации многофакторных компьютерных экспериментов с произвольными динамическими моделями продукционного процесса [4-7]. Она позволяет автоматически запускать большое количество сценариев расчёта любой подключенной к ней модели в пакетном режиме и проводить «семантически насыщенный» анализ результатов. Поддерживаемая этой оболочкой функциональность позволяет как отлаживать и настраивать модель, так и использовать готовую к работе модель для решения широкого спектра теоретических проблем агроэкологии и практических задач в растениеводстве. Рассматриваемая в настоящей работе процедура оперативного информационного сопровождения полевого опыта программно оформлена в качестве специализированного функционального модуля в рамках системы APEX, то есть все действия, связанные с получением оперативно уточняющихся прогнозов инициируются пользователем в интерфейсе этой универсальной оболочки.

Автоматическая метеостанция (АМС) - это автономный мобильный комплекс, состоящий из датчиков, преобразователей, контроллера и приемно-передающего устройства. АМС позволяет проводить мгновенные измерения для требуемого набора погодных характеристик (температура воздуха, количество осадков, скорость ветра, влажность воздуха и приходящая солнечная радиация) непосредственно на опытном поле. Базовый алгоритм работы автоматической метеостанции заключается в следующем. С установленной цикличностью (один раз в час или при достижении граничных значений показателей датчиков ветра и осадков) станция выходит из «спящего» режима, осуществляет опрос установленных датчиков для снятия текущих значений измеряемых характеристик, кодирует полученную информацию, посредством радиомодема отправляет сформированный пакет данных на Интернет-сервер и снова входит в «спящий» режим. Подобная схема функционирования позволяет обеспечить низкое энергопотребление устройства, благодаря чему оно способно работать длительное время от автономного аккумуляторного источника питания. Отправленные данные формируют архив измерений на АМС, который хранится на выделенном сервере. Доступ к архивной информации в исходном виде и к результатам ее статистической обработки обеспечивается специальным Web-приложением, взаимодействие с которым осуществляется визуально в стандартном Интернет-браузере или программно по стандартному протоколу HTTP.

Стохастический генератор суточных метеоданных («генератор погоды») - это программный модуль, позволяющий по заранее определенным интегральным характеристикам климата в данной местности с помощью метода Монте-Карло получать неограниченное количество «синтетических» погодных реализаций. В генераторе используется оригинальный алгоритм статистического моделирования суточных погодных метеоданных, представляющий собой модификацию широко распространенного метода Ричардсона-Райта [8, 9]. Динамика характеристик погоды рассматривается как шестимерный дискретный случайный процесс, составляющими которого выступают суточные величины минимальной и максимальной температур воздуха, относительной влажности, осадков, облачности и скорости ветра. Факт наличия или отсутствия осадков в данный день описывается простейшей цепью Маркова с двумя состояниями. Скорость ветра и количество выпавших в дождливый день осадков моделируются случайными величинами, подчиняющимися распределению Вейбулла. Температурные характеристики, влажность воздуха и облачность вычисляются по трендам годового хода средних величин и среднеквадратичных отклонений соответствующих характеристик; при этом для моделирования центрированных нормированных значений используется стохастический формирующий фильтр первого порядка. Используемый алгоритм моделирования позволяет отразить в получаемых реализациях погоды эффекты коррелированности значений различных метеопараметров как в один день, так и в соседние сутки.

Таким образом, генератор суточных данных представляет собой простейшую динамико-статистическую модель погоды, содержащую достаточное количество параметров (параметры распределения Вейбулла, матрицы формирующего фильтра, описание годового хода средних величин и дисперсий, условные вероятности переходов в марковской цепи и т.д.). Их идентификация осуществляется путем статистической обработки нескольких лет фактической погоды в интересующей географической точке. Отметим, что динамический характер генератора требует задания начальных условий, что позволяет «сшивать» сгенерированные данные с фактической погодой, наблюдаемой до момента начала прогноза, обеспечивая естественное продолжение наблюдаемой тенденции развития погоды в данном сезоне в сравнении со среднемноголетней динамикой.

Стационарная база данных представляет собой инструмент информационной поддержки модели, представляющий собой структурированное хранилище всех данных, которые могут потребоваться для расчётов. В частности, там хранятся наборы параметров генератора погоды, идентифицированные заранее для различных регионов. Наряду с функцией информационного сопровождения модельных расчетов стационарная база данных имеет и самостоятельную ценность в качестве универсального архива описаний и результатов полевых опытов, поддерживая в том числе ввод и хранение данных о севооборотах, используемых технологиях, характеристиках опытных делянок и т.д. [10].

Взаимодействие описанных компонентов в режиме оперативного сопровождения полевого опыта производится согласно схеме, представленной на рис. 1. Автоматическая метеостанция устанавливается на сельскохозяйственном поле, для которого требуется осуществлять оперативное сопровождение с использованием модели продукционного процесса.

Рис. 1. Принципиальная схема имитационно-моделирующего комплекса

стохастический сельскохозяйственный генератор

В системе APEX реализован специальный модуль, который обращается к Web-сервису за срочными данными, поступающими от АМС. Полученные срочные (почасовые) данные преобразуются в суточные погодные метеоданные и экспортируются в стационарную базу данных. После этого запускается генератор погоды и формируется представительная выборка сценариев развития метеоусловий на оставшийся период вегетационного сезона. При этом каждый такой сценарий представляет собой фактическую погоду до текущей даты прогноза, статистически «сшитую» с синтетической реализацией будущей погоды, сгенерированной по методу Монте-Карло. Полученный «веер» возможных погодных сценариев за весь вегетационный период сериализуется в базе данных системы APEX и последовательно передаётся на вход модели в режиме поливариантного расчета. Таким образом, стационарная база данных всегда содержит только реальные погодные данные, которые могут быть неполными, а база данных системы APEX содержит полные наборы данных, необходимые для работы модели (при этом некоторые из этих данных являются сгенерированными). Необходимо отметить, что реализованный алгоритм является гибким; так, например, стадия получения очередной порции данных о фактической погоде путем обращения к удаленной АМС не является обязательной. Независимо от источника получения новой информации (ручной ввод, обращение к внешним Интернет-сервисам и т.д.) оперативные сведения о недавней погоде, появившиеся тем или иным способом в стационарной базе данных, будут адекватно восприняты и обработаны системой при очередном запуске процедуры оперативного сопровождения.

Описанная схема взаимодействия во многом обусловлена особенностями архитектуры системы APEX. Базовыми понятиями в ней выступают градации факторов, сценарии и проекты.

Градация фактора - это набор данных, описывающих состояние одного из доменов предметной области. В случае фактора «погода», с которым велась работа в проводимых исследованиях, градация фактора соответствует полному набору суточных погодных метеоданных за определённый год в определённой местности.

Сценарий - это полный набор входных данных, необходимый для одного прогона модели; он представляет собой кортеж из градаций всех факторов, поддерживаемых подключенной к системе моделью («почва», «культура», «технология» и т.д.)

Наконец, проект - это набор из нескольких сценариев, предназначенных для проведения одного вычислительного эксперимента. Проект может быть просчитан в пакетном режиме как единое целое; в свою очередь результаты расчётов одного проекта могут быть статистически обработаны с использованием продвинутых процедур статистического анализа. Как правило, набор сценариев, составляющий проект, получается путём прямого декартового произведения множества градаций всех поддерживаемых факторов. Принципиальной особенностью архитектуры APEX выступает то, что набор потенциально исследуемых факторов является предопределенным и обуславливается конкретной предметной областью динамического моделирования: описанием продукционного процесса сельскохозяйственных посевов. Это позволяет осуществлять «зрячую» подготовку входных данных и семантически богатый анализ результатов. В частности, при работе в режиме оперативного сопровождения система «знает» принципы работы с суточными погодными метеоданными.

Для организации информационной поддержки полевых опытов и производственных посевов в режиме оперативного сопровождения в системе APEX создается специальный тип проекта. Такой проект оперативного сопровождения должен иметь несколько разных градаций фактора «погода», не использующихся в описании других проектов. Действительно, согласно приведенной выше схеме оперативного сопровождения учет вариабельности будущей погоды требует анализа веера возможных сценариев, поэтому используемых градаций фактора «погода» должно быть достаточно много, чтобы они образовывали представительную выборку повторностей эксперимента, обеспечивающую достоверность последующих статистических выводов. Кроме того, из соображений экономии и эргономичности было принято решение, что при обновлении данных о погоде не создаются новые градации фактора «погода»; вместо этого обновляются данные в существующих градациях.

Описанная технология позволяет реализовать динамически уточняющийся прогноз конечной продуктивности и анализ сравнительной эффективности проводимых текущих агротехнических мероприятий. При этом общий принцип осуществления последовательного оперативного сопровождения натурного полевого эксперимента модельными расчетами демонстрируется рис. 2.

В рамках предложенного измерительно-моделирующего компьютерного комплекса прослеживается четкий принцип разделения ответственности между составляющими его компонентами. Действительно:

Модель отвечает за расчёт отслеживаемых в ней характеристик продуктивности на основе входных данных.

Стационарная база данных отвечает за хранение сведений о реальной погоде, из которых можно, в частности, получить информацию о том, когда в последний раз обновлялись данные о погоде (левый участок схемы на рис. 2).

АМС отвечает за поставку в полном объеме оперативной и достоверной информации о метеорологических условиях с выбранной реперной точки за период, прошедший с предыдущего шага оперативного сопровождения (средний участок схемы на рис. 2).

Стохастический генератор погоды отвечает за генерирование прогнозных сценариев погоды, которая ещё неизвестна на текущий момент, «сшитых» с реальной погодой (правый участок схемы на рис. 2).

Система APEX отвечает за автоматизированное обновление всех данных, автоматический запуск модели со всеми сценариями погоды и статистическую обработку результатов расчётов.

Рис. 2. Принцип организации модельных расчетов при оперативном сопровождении полевого опыта и/или производственного посева

Важной технической особенностью решения является предельная простота пользовательского интерфейса. Создание проекта в системе APEX - это стандартная процедура, использующаяся для большого количества разнообразных задач. При этом если проект удовлетворяет формальным требованиям, предъявляемым к проекту оперативного сопровождения, в главном меню программы активируется пункт «Оперативное сопровождение». Выбор соответствующего режима работы инициирует запуск стандартной процедуры, при которой все действия пользователя сводятся к выбору актуальной метеостанции из списка зарегистрированных в стационарной базе данных. Все остальные операции (пополнение и генерация метеоданных) осуществляются автоматически, так как настройки генератора погоды, реальные погодные метеоданные и адрес Web-сервиса, к которому нужно подключиться для пополнения сведений о реальной погоде последними измерениями АМС, хранятся в стационарной базе данных и однозначно определяются идентификатором выбранной метеостанции.

В качестве примера, демонстрирующего возможности и работоспособность предлагаемой методики, представим результаты оперативного сопровождения полевых экспериментов, проводившихся в периоды вегетации 2012-2014 годов на тестовых площадках Меньковской опытной станции Агрофизического НИИ под руководством П.В. Лекомцева. Предметом исследования выступали адаптивные реакции растений яровой пшеницы (сорт «Эстер» в 2012 году и высокоинтенсивный сорт «Дарья» в 2013 и 2014 годах) на дозы предпосевного внесения азотных удобрений (от 0 до 180 килограммов действующего вещества на гектар с шагом 30 кг. д.в./га). Расчеты по модели в режиме оперативного сопровождения в течение трех сезонов проводились в рамках специально созданных проектов двухфакторного компьютерного эксперимента, содержащих по 700 сценариев каждый (7 градаций фактора «технология», соответствующих семи вариантам опыта, и 100 градаций фактора «погода», соответствующих прогнозным стохастическим сценариям генератора). Процедура полного пересчета проектов с учетом поступивших данных о фактической погоде проводилась с периодичностью в две календарных недели. По результатам статистического анализа результатов компьютерного эксперимента осуществлялся прогноз наступления следующей фазы фенологического развития в терминах среднего значения и доверительного интервала времени. Точность модельных оценок оказалась очень высокой: для всех вариантов опыта и сроков прогноза фактически наблюдавшиеся даты наступления фаз оказались внутри предсказанных интервалов. Наряду с этим в каждый срок прогноза оценивалась возможная величина конечного урожая и сроки полного созревания. Динамика изменения прогнозных характеристик по ходу течения вегетационного сезона демонстрируется графиками на рис. 3. На них можно наглядно наблюдать как сужение «веера» возможных результатов по мере все более полной замены искусственных данных реальными, так и колебания средней величины конечной продуктивности. В работе [11] показано, что полученную функцию тренда можно интерпретировать как универсальный динамический индикатор интегральной благоприятности внешних условий в течение сезона вегетации.

Рис. 3. Динамический прогноз продуктивности и сроков созревания яровой пшеницы в полевых опытах 2012-2014 годов на Меньковской ОС (сплошная линия - средние величины, пунктир - крайние значения, ^- фактический урожай)

В классических трудах по теории математического моделирования агроэкосистем [12] в качестве футуристического прогноза рассматривалась гипотетическая трехуровневая схема возможного взаимодействия полевого опыта и компьютерного эксперимента.

1. Полевой опыт для модели. Использование данных, полученных в результате полевых экспериментов для калибровки и верификации модели. Традиционный и привычный аспект взаимодействия.

2. Модель для планирования полевого опыта. Использование имеющейся модели для априорного (предопытного) исследования запланированных вариантов, включенных в план эксперимента, с целью определения, с одной стороны, минимального по количеству, а с другой стороны, наиболее представительного и интересного в смысле возможных результатов набора тестовых вариантов.

3. Модель и полевой опыт. Техника «on-line» проведения теста, сопровождаемого расчетами соответствующей модели в оперативном режиме. Предполагает постоянное двустороннее взаимодействие модели и эксперимента. С одной стороны, новые опытные данные тут же используются для подстройки модели, с другой - оперативные модельные предсказания будущего поведения агроэкосистемы с учетом текущего ее состояния позволяют, в свою очередь, вносить оперативные корректировки в схему или расписание полевого опыта.

Представляется, что рассмотренная в настоящей работе методика оперативного модельного сопровождения полевого опыта и/или производственного посева полностью отвечает чаяниям отцов-основателей «программирования урожаев» и российской школы математического моделирования продукционного процесса сельскохозяйственных растений, выводя на новый уровень взаимодействие натурного и компьютерного экспериментов.

Литература

Якушев В.П., Якушев В.В. Информационное обеспечение точного земледелия. - СПб.: Издательство ПИЯФ РАН. - 2007. - 384 с.

Poluektov R.A., Fintushal S.M., Oparina I.V., Shatskikh D.V., Terleev V.V., Zakharova E.T. AGROTOOL - a system for crop simulation. ARCH. ACKER- PFL. BODEN, 2002, Vol.48, P.609-635.

Полуэктов Р.А., Смоляр Э.И., Терлеев В.В., Топаж А.Г. Модели продукционного процесса сельскохозяйственных культур. - СПб: СпбГУ. - 2005. - 396 с.

Полуэктов Р.А., Топаж А.Г., Кобылянский С.Г., Полуэктов М.А. Автоматизация компьютерного эксперимента с математическими моделями // Достижения науки и техники АПК. - 2011, №2. - С. 61-63.

Medvedev S., Topaj A. Crop simulation model registrator and polyvariant analysis. IFIP Advances in Information and Communication Technology. 2011. Т. 359 AICT. С. 295-301.

Медведев С.А. Система автоматизации компьютерного многофакторного эксперимента с динамическими моделями продукционного процесса // Материалы международной школы-семинара «Фундаментальные и прикладные исследования в математической экологии и агроэкологии», Барнаул, 22-24 июня, 2012. - Барнаул: Изд-во Алт. ун-та. - 2012. - С. 98-104.

Medvedev S., Topaj A., Badenko V., Terleev V. Medium-term analysis of agroecosystem sustainability under different land use practices by means of dynamic crop simulation. IFIP Advances in Information and Communication Technology. 2015. V. 448 AICT. С. 252-261.

Richardson C.W., Wright D.A. WGEN: A model for generating daily weather variables. US Department of Agriculture, Agricultural Research Service, 1984, ARS-8. USDA, Washington, DC

Топаж А.Г. Моделирование суточных метеоданных как входного сигнала модели продукционного процесса // Сб. науч. тр. «Почва и растение - процессы и модели». - СПб: АФИ. - 1992. - С. 79-86.

Бакаленко Б.И., Топаж А.Г. База данных полей и посевов СИАМ V.2: распределенная архитектура и WEB-интерфейс удаленного доступа // Материалы координационного совещания АФИ. - СПб.: АФИ. - 2010. - С. 29-31.

Полуэктов Р.А., Топаж А.Г. Использование моделей продукционного процесса сельскохозяйственных культур при агрометеорологическом прогнозировании. В сб. «Современные проблемы экологической метеорологии и климатологии». - СПб: «Наука». - 2005. - С. 207-217.

Полуэктов Р.А. Динамические модели агроэкосистемы. - Л.: Гидрометеоиздат. - 1991. - 312 с.

Размещено на Allbest.ru