Научная электронная библиотека

Монографии, изданные в издательстве Российской Академии Естествознания

Методы повышения эффективности механизированных производственных процессов по условиям их функционирования в растениеводстве: Учебное пособие

Арютов Б. А., Важенин А. Н., Пасин А. В.,

3.5.2. Агрометеорологические прогнозы в календарном планировании использования сельскохозяйственной техники

Вопросам календарного планирования производства посвящен целый ряд исследований [63, 76, 81, 82, 91, 94, 193, 239, 240, ..., 252], результаты которых вносят определенный вклад в различные аспекты организации и использования ресурсов. При этом метеорологические факторы в производственных процессах учитываются климатическими характеристиками, прогнозная информация метеослужб не используется, несмотря на то, что результаты производства зависят от погоды в значительной мере.

Цикл роста растения отмечен рядом маркеров, разделяющих между собой его фазы. В ряде случаев фазы развития сельскохозяйственных культур совпадают по времени с периодами проведения полевых работ (табл. 3.4).

Таблица 3.4 - Периоды полевых работ, совпадающие по времени с фазами
развития сельскохозяйственных культур

Каждый маркер, за редким исключением, отстоит от предыдущего на отрезке времени, близком ситуационному периоду проектирования. Поэтому исследовав зависимости продолжительностей фаз развития растений от ряда погодно-климатических факторов можно учитывать эти факторы при оптимизации производственных процессов растениеводства. В основе такого рода исследований лежит множественно корреляционно-регрессионный анализ с использованием метода наименьших квадратов. При выборе числа и состава факторных переменных может использоваться метод пошаговой регрессии.

Во многих практических задачах, связанных с применением метода наименьших квадратов, одним из этапов решения является определение числа и состава факторных переменных. Существует несколько методов отбора переменных: полный перебор всех возможных наборов переменных, метод отбора переменных прямым ходом, метод исключения переменных обратным ходом и способ, объединяющий два последних метода, - метод пошаговой регрессии [253].

Критерии методов отбора могут быть следующими:

1. максимальное уменьшение остаточной суммы квадратов;
2. максимальное увеличение остаточной суммы квадратов;
3. наибольшее абсолютное значение коэффициента частной корреляции со значением функции;
4. наибольшее или пороговое значение F-статистики;
5. максимально возможное уменьшение значения средней остаточной суммы квадратов;
6. наибольшее значение квадрата скорректированного коэффициента множественной корреляции.

Хотя критерии эквивалентны, все же критерии 5 и 6 являются более удовлетворительными мерами адекватности регрессионного уравнения, чем критерии 1 и 2.

Сопоставив результаты применения всех методов и критериев, выбрали метод пошаговой регрессии. На каждом шаге данного метода осуществляется исключение переменной, отбираемой среди тех переменных, у которых F-статистика меньше некоторого порогового значения.

Проведена также сравнительная оценка факторов путем анализа парных коэффициентов, индексов корреляции и оценкой их значимости. Это проводилось для проверки наличия между факторами линейной зависимости (явления мультиколлинеарности). Так как существование между факторными переменными зависимости, близкой к линейной, ведет в конечном счете к недопустимому росту ошибок параметров регрессии. Для этого были составлены матрицы парных (частных) коэффициентов корреляции, измеряющих тесноту связи каждого из факторных признаков с результативным и между собой.

Анализ проводился с использованием следующих критериев [254]:

,

где  r_ij - частный коэффициент корреляции;

i - индекс строк;

j - индекс столбцов.

В качестве полного набора переменных оказались приемлемы следующие параметры: начальная длительность светового дня х_с, средние за фазу температура воздуха - х_т и количество осадков - х_о, начальный запас продуктивной влаги в метровом слое почвы - х_в. Были рассмотрены фазы развития сельскохозяйственных культур, совпадающие с периодами полевых механизированных работ и им предшествующие. Первые могут быть положены в основу прогнозирования продолжительностей работ, вторые - их начала.

При отборе факторных переменных учитывалась так же оправдываемость прогнозов синоптиков. Так на посеве озимых зерновых культур по результатам корреляционно-регрессионного анализа оказывается целесообразным уравнение

.                                   (3.46)

Оправдываемость прогноза по этому уравнению составляет 33% (множественный коэффициент корреляции: 0,57), которая при ошибке синоптиков может уменьшиться до 23%.

По однофакторному уравнению

                                         (3.47)

оправдываемость прогноза - 30% (коэффициент корреляции: 0,55), которая с учетом ошибки синоптиков составляет 26%.

Таблица 3.5 - Уравнения регрессии и их оправдываемость

Продолжение таблицы 3.5

Поэтому уравнение (3.47) предпочтительнее уравнения (3.46). Ориентация на средние многолетние данные оправдывается только на 20%.

Проведенный трехступенчатый отбор факторов привел к результатам, которые представлены в таблице 3.5.

Целесообразность использования предлагаемых уравнений при оптимизации технико-технологических параметров производственных процессов в растениеводстве может быть подтверждена известными методами теории статистических игр [255]. Ориентировочные расчеты показывают, что при площади яровых зерновых культур 1000 га и средней урожайности 20  средние биологические потери урожая только на уборочных работах уменьшаются на 2,64 т зерна в сутки.