Современные системы мониторинга, прогнозирования и управления территориями и объектами различного уровня и назначения используют средства автоматизации, возможности математического и компьютерного моделирования, интеллектуального анализа данных, что позволяет наделять их как традиционными функциями сбора и обработки информации, так и функциями интеллектуальной поддержки принятия решений. Такие подходы изложены, например, в работах [1] и в предыдущих работах авторов при представлении результатов разработки сложных динамических систем для интеллектуального мониторинга и управления инновационными территориями [2]. При этом в случае последних часто приходится решать социально-экономические задачи, в частности проблемные вопросы обеспечения баланса экономических и социальных интересов общества, проблемные вопросы обеспечения сохранности природной среды и ресурсов, снижения негативного влияния на климат с одновременным обеспечением устойчивого развития техники и технологий [3; 4]. Подобный класс задач может эффективно решаться на основе формирования и комплексной оценки адаптационных сценариев управления в системах исследуемого класса при расширении их возможностей на основе одновременного использования нескольких цифровых технологий (искусственный интеллект, интернет вещей, большие данные) [5].
Так, одной из актуальных и широко обсуждаемых глобальных экологических проблем современного общества является парниковый эффект (ПЭ), влияние которого на состояние окружающей среды усиливается с развитием производственных, сельскохозяйственных технологий, а также с уменьшением площадей лесных массивов. Главным фактором, влияющим на динамику ПЭ, является концентрация в атмосфере парниковых газов (ПГ), прежде всего углекислого газа (CO2), задерживающих тепловое излучение и способствующих климатическим изменениям: повышение температуры, разрушение озонового слоя и т.п. При этом ряд исследований показал, что при повышении концентрации основного парникового газа CO2 в атмосфере был обнаружен положительный эффект относительно урожайности сельскохозяйственных культур [2; 3; 6]: в среднем для всех видов рост урожайности составил 26%, прирост сухого вещества молодых растений – 40%.
В последние годы увеличилось число научных исследований в направлении таких задач, как расчет и прогнозирование концентраций парниковых газов как от техногенных, так и от природных источников [7-10], а также моделирование изменений климата [11]. Часть из них может быть составляющей общего методологического инструментария для обеспечения эффективного управления урожайностью сельскохозяйственных культур с учетом динамики парникового эффекта (ПЭ). Однако на сегодняшний момент нет методов и алгоритмов, позволяющих как количественно, так и пространственно оценивать и прогнозировать уровень выброса парниковых газов, а также формировать адаптационные сценарии, определяющие наиболее результативные с точки зрения урожайности условия посева сельскохозяйственных культур. Такие сценарии крайне важны для научного обоснования расположения территории и площади посевов, выбора специфики самой культуры, оценки ожидаемого эффекта.
Авторским коллективом предлагается разработка автоматизированной системы по управлению производством растениеводческой продукции в условиях динамики ПЭ, функционирование которой обеспечит определение оптимальных параметров природно-сельскохозяйственного и агроэкологического зонирования исследуемых территорий, их качественную и количественною структуру, формирование адаптационных сценариев управления [2].
Развитие и рост сельскохозяйственных растений основан на процессе фотосинтеза: листья растений поглощают углекислый газ из приземного слоя атмосферы и вместе с водой преобразуют ее в органические вещества, необходимые для роста растений. Исходя из вышесказанного, недостаток CO2 становится одним из основных факторов, ограничивающих рост, развитие и урожайность растений. Данная проблема может быть успешно решена при выявлении территорий с необходимыми значениями концентрации CO2 для посевов сельскохозяйственных культур определенного вида в зависимости от динамики ПЭ [11]. Следует отметить, что в данном случае появляется возможность также управления гумусовым слоем почвы, который влияет на ее плодородие и урожайность.
Разработка адаптационных сценариев и научное обоснование зонирования сельскохозяйственных территорий с учетом динамики ПЭ связаны со сбором и обработкой значительных объемов множественных и разнородных данных, одновременным учетом контролируемых параметров, отличающихся значительной распределенностью по большой площади и случайным характером их природы, участия в производственных процессах живых организмов [12]. Все это определяет необходимость использования возможностей цифровых технологий Индустрии 4.0 [13; 14].
Материал и методы исследования
Как указано выше, сегодня фрагментарно решены задачи моделирования климатических изменений, рассеивания и накопления газов, зонирования и т.д., результаты которых возможно использовать при организации процесса растениеводства [7; 8]. Однако в целом сохранился традиционный подход к управлению урожайностью.
Авторским коллективом построены и исследованы функциональные и структурные модели автоматизированной системы по управлению производством растениеводческой продукции в условиях динамики ПЭ, которая обеспечит научно обоснованное управление зонированием сельскохозяйственных территорий в целях повышения урожайности согласно представленной схеме на рисунке 1. На схеме показано, что в отличие от традиционного подхода введены такие механизмы для реализации процесса управления, как математические, имитационные, ситуационные модели, соответствующее программное обеспечение (ПО): оценка существующего и прогнозного значения концентрации парниковых газов в приземном слое атмосферы, пространственно-временной анализ (плоскость и 3D) их рассеивания и накопления, выявление причинно-следственных связей между параметрами биотехносферы; модели адаптационных сценариев.
При декомпозиции основных функций системы введен блок интеллектуальной поддержки принятия решений, который использует в автоматическом режиме результаты мониторинга и моделирования.
Соответствующая структурная модель автоматизированной системы по управлению производством растениеводческой продукции в условиях динамики ПЭ схематично показана на рисунке 2.
Результаты исследования и их обсуждение
Результативность работы конкретной автоматизированной системы по управлению производством растениеводческой продукции неотъемлемо связана со спецификой данных объектов и процессов, особенностью инфраструктуры территории и другими параметрами внешней среды. Это требует использования набора различных технических и цифровых решений. Для этого введена специализированная цифровая платформа, с которой постоянно взаимодействуют все составляющие интеллектуальной системы поддержки принятия решений (ИСППР). Она позволяет автоматизированно определять необходимые компоненты множеств моделей (ГИС-моделей, методов, технических и цифровых решений) и формировать единый проект, необходимый для принятия научно обоснованных решений [10]. В ее структуре содержатся соответствующие базы данных и правил, инструментарий для оперативного моделирования и комплектования.
Рис. 1. Контекстная диаграмма процесса управления производством растениеводческой продукции в условиях динамики ПЭ (как будет)
Рис. 2. Обобщенная модель автоматизированной системы управления производством растениеводческой продукции в условиях динамики ПЭ
Система рассматриваемого класса наделена специальными функциями, определяющими комплексность предлагаемого подхода, реализуемыми интеллектуальными подсистемами:
− сбор и обработка информации о количественном и качественном составе выбросов вредных веществ в атмосферный воздух исследуемой территории, определяющих формирование парникового эффекта, предварительный интеллектуальный анализ (подсистема интеллектуального мониторинга ИСППР);
− формирование комплекса математических и ситуационных моделей для оценки различного уровня текущей и прогнозной ситуации по состоянию биотехносферы и уровню влияния ПЭ на исследуемой территории (подсистема моделирования в ИСППР);
− пространственно-временной анализ с учётом погодных условий с выявлением и определением качественных и количественных характеристик зон скопления парниковых газов (подсистема интеллектуального исследования данных ИСППР);
− оценка и прогнозирование состояния биотехносферы и уровня влияния ПЭ на исследуемой территории (подсистема интеллектуального исследования данных ИСППР);
− формирование адаптационных сценариев, определяющих оптимальные с точки зрения урожайности условия посева сельскохозяйственных культур (расположение территории, площади посевов, специфика самой культуры, ожидаемый эффект) с учётом пространственно-временной структуры зон скопления парниковых газов;
− определение оптимальных параметров и территории посадки растений, которые можно рассматривать как составляющие карбоновых ферм и плантаций (подсистема формирования сценариев управления интеллектуальной системы поддержки принятия решений);
− эколого-экономическая оценка выбранных для реализации адаптационных сценариев (подсистема формирования сценариев управления ИСППР).
Результативность работы конкретной ИСППР, включающей исследование различных объектов и процессов, функционирующих на определённой территории, неотъемлемо связана с их спецификой, особенностью инфраструктуры территории и другими параметрами внешней среды.
Моделирование объекта автоматизированного управления
Процесс производства растениеводческой продукции в условиях динамики ПЭ при внедрении исследуемой автоматизированной системы становится объектом автоматизированного управления как система состояний природных, растениеводческих и техногенных объектов в их взаимосвязи, влияющих на урожайность сельскохозяйственных культур. С точки зрения теоретико-множественного подхода систему данного класса Aоу представим формулой:
Aоу = <Sоу, Q, X, Fоу, Vоу>, (1)
где Sоу={sоу} – множество элементов объекта управления, sоу = {sсу, sср, sсc}, где sсу – природная подсистема, sср – подсистема растениеводства, sсc – подсистема секвестрации CO2; Q – внешнее воздействие на множество Sоу: Q = {U, ω}, где U – управляющие воздействия и ω – внешние воздействия (метеорологические, природно-климатические и др.); X = {L, Z} – множество параметров, которые описывают состояние элементов в Sоу: L – множество, характеризующее объем (количество продукции с единицы площади) и качество собранного урожая (концентрация питательных элементов); Z = {Zср, Zсс}, где Zср – множество состояний сельскохозяйственных территорий: технологические и технические параметры, объемы потребляемых ресурсов и выбросов CO2 в процессе производства сельскохозяйственной продукции; Zсс – множество состояний сельскохозяйственных территорий: технологические и технические параметры, объем поглощенного и выброшенного в атмосферу CO2 в процессе подготовки с/х территорий; Fоу={fоу} – множество отображений на Sоу, Q, X; Fоу: (Sоу, Q, X)→X; Vоу={vоу} – множество отношений над элементами Sоу, Q, X; Vоу: (Sоу, Q, X).
Основные отображения осуществляют компоненты Sоу:
fX : Zср*Zcc*ω → X – компонент sсу
fcр : xср*zcр*ω*Ucр → Zcр – компонент sср
fcc : xсс*zcc*ω*Ucc → Zcc – компонент sсc
Таким образом fоу = {fX, fср, fсс} – множество, включающее полный спектр причинно-следственных связей, которые необходимы для прогнозирования и моделирования наиболее выгодных условий для выращивания сельскохозяйственных культур в условиях динамики ПЭ.
На рисунке 3 объект автоматизированного управления Aоу представлен схематично.
Для проведения оценок при реализации приведенных выше отображений fX, а именно для прогнозирования концентрации парниковых газов в приземном слое атмосферы сельскохозяйственных территорий и оценки влияния ПЭ на урожайность растений, была разработана модель в виде искусственной нейронной сети (ИНС). Нейросетевое моделирование ранее применялось авторами при решении схожих задач – прогнозировании состояния природных и природно-технических объектов (например, [3]).
Рис. 3. Объект автоматизированного управления процессом производства растениеводческой продукции в условиях динамики ПЭ
Рис. 4. Структура полученного многослойного персептрона, реализованная в системе MATLAB
В качестве входных параметров модели (составляющее множество Z) были выбраны показатели, характеризующие выбросы объектов производства: объемный расход выбросов (м3/ч); температура выбросов и ее возможные колебания (°C); плотность газа (кПа); скорость газа (м/с); а также составляющие множества ω: скорость и направление ветра (м/с); расстояние от точки выброса до сельскохозяйственной территории (м). Выходными параметрами модели (составляющие множества X) были определены концентрации различных газообразных загрязняющих веществ в приземном слое атмосферы сельскохозяйственной территории (мг/м3): углекислый газ (CO2), метан (CH4), озон (O3), оксид азота (N2O) [5].
Для получения обучающий выборки было проведено взятие проб воздуха на сельскохозяйственных территориях, находящихся в зоне влияния различных производственных предприятий Белгородской области (всего 200 проб в трехкратном повторении на каждом участке). Результаты данных исследований были разделены на обучающую (по 150 пробам) и тестовую (проверочную, по 50 пробам) выборки [6].
В ходе построения ИНС и осуществления экспериментов использовался пакет прикладных программ и функций Neural Network Toolbox системы MATLAB, позволяющий реализовать ИНС различных топологий [1; 2]. По результатам тестовых экспериментов лучшие результаты показала сеть с топологией многослойного персептрона с 2 скрытыми слоями и сигмовидными функциями активации. Для данной модели среднеквадратичная ошибка обучения составила 0,2∙10-5; коэффициент детерминации 99,5; средние ошибки аппроксимации на обучающей и тестовой выборках 0,98% и 3,95% соответственно. Структура данной сети представлена на рисунке 4.
Заключение
Представленные результаты связаны с модернизацией традиционного подхода управления производством растениеводческой продукции с целью повышения урожайности сельскохозяйственных культур. Это требует принципиального изменения в системе управления растениеводческим производством с учетом адаптации территорий к условиям динамики ПЭ с использованием цифровых технологий и внедрения специализированной автоматизированной системы управления.
Построена и протестирована модель ИНС, которая позволяет проводить имитационные эксперименты по оценке и прогнозированию концентрации ПГ в приземном слое атмосферы сельскохозяйственных территорий; для формирования обучающей выборки и проверки адекватности модели были проведены натурные эксперименты, получено 200 проб воздуха в зоне действия производственного сектора с лабораторным определением концентрации парниковых газов.
Объект автоматизированного управления с предлагаемой структурой может быть использован как составляющая интеллектуальной сети управления сельскохозяйственными территориями. Результаты ее работы, прежде всего, необходимы для обеспечения стабильного увеличения урожайности, развития и восстановления территорий и обеспечения продовольственной безопасности в условиях динамики природно-климатических и техногенных параметров.