Физиологический уровень стресса растений в иерархической структуре дерева нечеткого логического вывода

Проведена формализация начальной информации и построена ветвь иерархической структуры модели определения параметров режимов капельного орошения на физиологическом уровне, определяющем водный стресс растения. Фаззифицированы входные переменные и построена нечеткая база знаний, определяющая уровень водного стресса растений.

I. Вступление

Расчет поливного режима капельного орошения растений зависит от совокупности физиологических, почвенных, климатических и других факторов, связанных сложной функциональной зависимостью, что по природе физических явлений представляется в виде суперпозиции функций. При современном развитии инструментария круглосуточного неразрушающего контроля растений, интеллектуальных и информационных технологий возникает возможность сочетания этих направлений с целью формализации таких сложных зависимостей с помощью нечеткого моделирования системой вложенных друг в друга нечетких баз знаний. Структура такой системы представляется в виде иерархического дерева нечеткого логического вывода, узлами которого являются укрупненные параметры режимов капельного орошения [3, с.48]. Среди таких укрупненных параметров следует выделить почвенный уровень, определяющий предполивной порог обеспеченности растения почвенной влагой, физиологический уровень, на котором само растение сигнализирует о наличии водного стресса и климатический уровень, который влияет как на физиологическое состояние растения, так и на выбор поливного режима.

II. ОСНОВНАЯ ЧАСТЬ

С развитием средств фитомониторинга растений и приборов для измерения характеристик жизнедеятельности растений и их окружающей среды возникла необходимость в комплексной обработке этих данных с целью определения уровня водного стресса выращиваемых растений. Постоянный мониторинг характеристик растения и среды осуществляется по показаниям приборов, устанавливаемых в посеве на весь вегетационный период или на значительную его часть. С этой целью используются фитомонитор РМ-11 или монитор фотосинтеза РТМ-48А, к электронным блокам которых подключаются датчики, и которые хранят и передают накопленные данные в компьютер фермера. При этом показания сенсоров могут передаваться через кабель, или через интернет, в зависимости от условий и желания фермера. Набор сенсоров определяется в зависимости от особенностей каждой культуры и оборудования, которое есть в распоряжении фермера, и может состоять из датчиков диаметра стебля, интенсивности движения сока, роста плода, температуры листьев, росы и базовых датчиков среды: освещенности, температуры и влажности воздуха, влажности почвы. Все величины, которые регистрируются, выводятся на экран компьютера в табличном и графическом виде. Анализ полученной информации позволяет, используя программы PhytoGraph и программы управления PTM-48A series 5000 Photosynthesis Monitor v.1.0.2.11 и Photosynthesis Monitor v.1.0.2.8, по специальным методикам выбирать оптимальные режимы капельного орошения. Однако все это оборудование требует определенной подготовки и внимания со стороны лиц, принимающих решение относительно режимов орошения. Ограниченность количества экспертов по фитомониторингу и невозможность их непрерывного привлечения для принятия решений относительно сроков и норм поливов с ростом спроса на такие системы приводит к необходимости разработки информационных технологий и на их базе систем поддержки принятия решений или систем управления при определении оптимальных поливных режимов сельскохозяйственных культур.

Наличие нечетко заданной количественной и качественной информации и невозможность построения сложной функциональной зависимости «режим орошения — физиологические показатели и показатели окружающей среды» классическими математическими методами вынуждает к использованию таких интеллектуальных методов моделирования, как Soft Computing. Одним из весомых направлений мягких вычислений на этапе структурной идентификации модели является моделирование нечеткими базами знаний. Они дают возможность, отображая опыт эксперта, аппроксимировать причинно-следственные связи между данными, полученными с сенсоров фитомониторов, и оптимальным поливным режимом.

Функциональная зависимость, определяющая поливные режимы в зависимости от вектора показателей состояния растений и орошаемого массива, является сложной функцией таких аргументов как:

-           физиологический уровень водного стресса растений (Ws);

-           почвенный уровень влагообеспеченности (Sm);

-           климатический уровень благоприятности роста сельскохозяйственных культур (A);

фаза вегетации, способ выращивания, время суток и т. д. То есть, представлена соотношением

,                                                     (1)

Физиологический уровень водного стресса растений зависит в свою очередь от таких измеряемых показателей, как приращение диаметра стебля, приращение диаметра плода, интенсивность движения сока, температура листа, приращение высоты ствола, интенсивность транспирации, интенсивность СО₂-обмена листьев растений, время суток и т. д. Но наиболее удобными для исследования и анализа предложены показатели приращения диаметра стебля, приращения диаметра плода, интенсивности движения сока и температуры листа [2, с. 260]. Таким образом, физиологический уровень водного стресса растений Ws можно представить как функцию пяти переменных:

,                                              (2)

где  — приращение диаметра стебля,  — приращение диаметра плода,  — температура листа,  — интенсивность движения сока,  — время суток.

Фрагмент дерева нечеткого логического вывода, который отвечает соотношению (2), представлен на рис 2.

Рис.2 Фрагмент дерева нечеткого логического вывода

Методы нечеткого моделирования предусматривают вначале этапа фаззификации входных переменных проведение формализации физиологических параметров состояния растения лингвистическими переменными. Лингвистический характер переменных  —  представлен в табл. 1

Таблица 1

Лингвистический характер параметров физиологического состояния растения

Каждый из лингвистических термов входных переменных  —  представляется в виде нечеткого множества с помощью функций принадлежностей  входа  нечеткому терму , т. е. .

Следующим этапом нечеткого моделирования после фаззификации входных переменных является построение нечеткой базы знаний. Нечеткая база знаний, определяющая физиологический уровень водного стресса растений, гранулируя информацию, отображает опыт экспертов и представляется как совокупность правил типа:

ЕСЛИ             время суток — утро

И         приращение диаметра стебля — небольшое отрицательное

И         приращение диаметра плода — отсутствует

И         температура листа — выше средней

И         интенсивность движения сока — ниже средней

ИЛИ

ЕСЛИ             время суток — день

И         приращение диаметра стебля — отрицательное

И         приращение диаметра плода — отсутствует

И         температура листа — любая

И         интенсивность движения сока — низкая

ТО        физиологическое состояние растения — наличие водного стресса.

III. Вывод

В условиях развития информационных технологий и средств мониторинга растений и окружающей среды орошаемой культуры возникает необходимость разработки математических моделей оперативного планирования режимов орошения, которые в современном состоянии развития интеллектуальных технологий представляют собой ядро систем поддержки принятия решений, экспертных систем и систем управления. Современные направления фитомониторинга растений позволяют безошибочно в консорциуме с классическими методами определения режимов капельного орошения рассчитывать сроки и нормы полива сельскохозяйственных культур. Поэтому построение участка дерева логического вывода и по нему нечеткой базы знаний, которая отвечает определению физиологического уровня водного стресса растения, позволит сформировать полную структуру иерархической модели системы нечеткого логического вывода для оперативного планирования оптимальных режимов капельного орошения.

Литература:

1.      Yuri Ton. User's Reference Guide/ Yuri Ton, Michael Kopyt.- Phytomonitoring Technique for Greenhouses: PhyTech Ltd, 1998. — 34p.

2.      Ton Y. Phytomonitoring: а new information technology for improving crop production / Ton Y., Nilov N., Kopyt M.- Acta Horticulturae, 2001. — 6р.

3.      Штовба С. Д. Проектирование нечетких систем средствами Matlab / Штовба С. Д. — М.: Горячая линия — Телеком, 2007. — 288с.

4.      Леоненков А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH / Леоненков А. В. — СПб.: БХВ-Петербург, 2005. — 736с.