Автоматизация обработки экспериментальных данных в агрономических исследованиях
Автор: Польшакова Н.В., Александрова Е.В., Волобуева Т.А.
Журнал: Вестник аграрной науки @vestnikogau
Рубрика: Экономические науки
Статья в выпуске: 4 (97), 2022 года.
Бесплатный доступ
Экспериментальные исследования в агрономии являются высшей формой эмпирических методов познания влияния агротехнологических процессов на количественные и качественные показатели возделываемых сельскохозяйственных культур. Процесс познания многоэтапный и включает различные формы: наблюдение, сравнение, контроль и измерение. К основным методам агрономического исследования относятся лабораторный, вегетационный, лизиметический и полевой, которые в сочетании с наблюдениями за растениями и условиями внешней среды представляют важнейшие инструменты научной агрономии. Среди них главным является опыт в поле. Полевой опыт завершает поисковое исследование, количественно оценивает агротехнический и экономический эффект нового способа или технологии возделывания растений и дает объективные основания для внедрения научного достижения в сельскохозяйственное производство. Анализ современных методик прикладных исследований, указывает на тот факт, что построение и применение алгоритмов характерно для набора статистических методов и способов обработки данных, тогда как логика их использования в области подготовки входной информации и ее последующей обработки, а также написания отчетов с результатами анализа до сих пор не автоматизирована. В связи с этим, актуальность поставленной проблемы обусловлена высокой частотой ошибок в расчетной статистической части доказательных исследований в условиях сложной рутинной аналитики, которая занимает много времени при обработке данных представителями других отраслей науки, а также высокой стоимостью работ при обращении к специалистам, затратами на специализированное ПО. В своей работе, авторы сделали попытку привлечь внимание к имеющемуся специализированному программному обеспечению, работающему по алгоритмам, которые в аграрных научных учреждениях приняты за стандарт, например алгоритмы Б.А. Доспехова, которые привязаны к схеме закладки полевого опыта и повторения рассматриваются как фактор или алгоритмы Н.А. Плохинского, разработанные для определения количественных признаков на основе многофакторного дисперсионного анализа.
Полевой опыт, результативный и факторный признаки, дисперсионный анализ, метод оценки существенных разностей между средними, критерий фишера, программная надстройка к excel для статистической оценки и анализа результатов полевых и лабораторных опытов agcstat.xla
Короткий адрес: https://sciup.org/147238685
IDR: 147238685 | DOI: 10.17238/issn2587-666X.2022.4.129
Текст научной статьи Автоматизация обработки экспериментальных данных в агрономических исследованиях
Введение. Основным инструментом в проведении агрономических исследований является полевой опыт, который проводятся на специально выделенных полевых участках в естественных погодно-климатических условиях, и закладывается для определения влияния различных факторов на качество продукции растениеводства, уро^айность возделываемых полевых культур, оценки эффективности вносимых удобрений, плодородия различных генетических горизонтов и слоев почвы и т.д. Особенностью полевого опыта является то, что возделываемое культурное растение изучается вместе со всей совокупностью факторов (почвенные, природно-климатические, агротехнические, технологические и т.п.), в очень близких или непосредственно в производственных условиях.
Результатом проведенного полевого опыта становится некоторый объем эмпирических данных, которые необходимо исследовать с помощью инструментов математической статистики. Они позволяют не только выявить количественные характеристики наблюдений и проанализировать данные полученные в ходе проведения опыта, но и на их основе планировать последующие агротехнологические мероприятия по повышению эффективности возделывания полевых культур.
Цель исследования - выявить степень влияния различных видов удобрений на высоту растений и количество продуктивных стеблей, определить методом дисперсионного однофакторного анализа наименьшую существенную разность ме^ду средними значениями результатов эксперимента при проведении микрополевого опыта с ограниченным числом вариантов.
Условия материалы и методы. При выполнении работы использовались такие методы как: теоретические (анализ литературы по проблеме исследования), статистические (анализ эмпирических данных методами математической и описательной статистики, анализ рассеяний по методике Б.^. Доспехова, анализ наименьшей существенной разницы при соответствующем уровне значимости). ^ так^е при обработке экспериментальных данных использовался аналитический инструментарий MS Excel, и программной надстройки к Excel для статистической оценки и анализа результатов полевых и лабораторных опытов AgCStat.xla, разработанной П.П. Гончар-Зайкиным и В.Г. Чертовым в филиале Федерального государственного бюд^етного научного учре^дения «Федеральный научный центр овощеводства» и аналитической программы AnalyStat.
Постановка за^ачи и экспериментальна^ часть. В работе проводится анализ влияния комплексных удобрений на рост и развитие ярового ячменя.
Полевой опыт. Площадь ка^дой делянки составила 66,6 м2. Количество вариантов – 5. Повторность опыта – трехкратная.
Схема опыта:
Первый – контрольный вариант.
Второй – ^идкое комплексные удобрение (ЖКУ 11:37 100 кг/га).
Третий вариант – аммофос 12:52 71 кг/га
Четвертый вариант – комплексное удобрение с бором (NPK 15-15-15 + В 246 кг/га).
Пятый вариант – сульфоаммофос NP(S) 14:40(7) 93 кг/га
Продол^ительность эксперимента – 86 дней.
Статистический анализ проводили с помощью аналитической программы AnalyStat.
Результаты и обсу^^ение. Практическая значимость исследования заключается в анализе результатов полевого опыта по выращиванию сельскохозяйственных культур на примере ячменя; выработке рекомендаций по использованию и применению видов удобрений, на основе полученных данных путем однофакторного дисперсионного анализа.
Первые три недели контрольные растения почти не отставали в длине, от растений, получавших только азот. Однако, затем отставание в росте статистически значимо замедлилось. Растения, получавшие полноценное питание (NS+NPK) у^е с первых дней ^изни статистически значимо опере^ают в длине контрольные растения. В первый месяц эксперимента, растение, удобренные NPK удобрениями, показали лучшую динамику роста, чем растения, получившие питание из NS удобрения, внесенного в том ^е количестве по весу. Однако, через 2 месяца эксперимента ситуация изменилась в пользу NS (рис. 1).
Растения, получавшие только азотное питание, не продемонстрировали статистически значимой разницы в весе, в сравнении с контролем на протя^ении всего эксперимента. При этом, растения, получавшие комплексное питание (варианты 3 и 4), демонстрировали существенную прибавку как в сыром, так и в сухом весе, на протя^ении всего эксперимента (рис. 2 и 3). Однако, ме^ду этими вариантами, статистическая разница не наблюдалась. Через два месяца эксперимента, наблюдалось сни^ение сырого веса в контрольном варианте и варианте с NS (1 и 2 варианте), статистический анализ показал, что сни^ение сырого веса было незначительным в варианте с NS и значительным в контрольном варианте. По-видимому, это связано с отмиранием ни^них листьев у растений в данных вариантах, что нашло визуальное подтвер^дение.

Рисунок 1
– Изменение высоты растений в разных условиях питания

Рисунок 2 –
Изменение показателя сырой биомассы от удобрений (мг/растений)
применяемых
иеадЖ*сне<
УДо6р<**с
■ *омлл<*сное удобре-и# с
■ «<уя*6о»м*юф
—♦— сухой вес побега, мг
контрольный вариант
—а< - жидкое комплексные удобрение
-•*- -аммофос
-Ф— комплексное удобрение с бором
— сульфааммофос
Время от посева, дни
Рисунок 3 – Изменение показателей сухой биомассы от применяемых удобрений (мг/растений)
Вли^ние различных ви^ов у^обрений на высоту растений (см). По результатам полевого опыта были получены следующие данные по высоте растений сельскохозяйственной культуры ячменя (табл.).
Таблица – Данные экспериментальных исследований по высоте ячменя (пять вариантов по три повторения)
№ варианта |
высота растений, см |
№ варианта |
высота растений, см |
||||||||||
1 |
1повт |
2 повт |
3 повт |
2 |
1повт |
2 повт |
3 повт |
||||||
1 |
58 |
1 |
43 |
1 |
54 |
1 |
53 |
1 |
1 |
53 |
1 |
||
2 |
59 |
2 |
56 |
2 |
50 |
2 |
49 |
2 |
2 |
49 |
2 |
||
3 |
58 |
3 |
44 |
3 |
49 |
3 |
58 |
3 |
3 |
58 |
3 |
||
4 |
56 |
4 |
42 |
4 |
53 |
4 |
56 |
4 |
4 |
56 |
4 |
||
5 |
55 |
5 |
38 |
5 |
50 |
5 |
47 |
5 |
5 |
47 |
5 |
||
6 |
32 |
6 |
46 |
6 |
54 |
6 |
54 |
6 |
6 |
54 |
6 |
||
7 |
57 |
7 |
51 |
7 |
51 |
7 |
65 |
7 |
7 |
65 |
7 |
||
8 |
56 |
8 |
50 |
8 |
50 |
8 |
46 |
8 |
8 |
46 |
8 |
||
9 |
54 |
9 |
46 |
9 |
50 |
9 |
55 |
9 |
9 |
55 |
9 |
||
10 |
62 |
10 |
46 |
10 |
52 |
10 |
55 |
10 |
10 |
55 |
10 |
||
№ варианта |
высота растений, см |
||||||||||||
3 |
1повт |
2 повт |
3 повт |
4 |
1повт |
2 повт |
3 повт |
||||||
1 |
52 |
1 |
45 |
1 |
54 |
1 |
51 |
1 |
70 |
1 |
54 |
||
2 |
54 |
2 |
58 |
2 |
51 |
2 |
57 |
2 |
63 |
2 |
53 |
||
3 |
59 |
3 |
46 |
3 |
53 |
3 |
55 |
3 |
60 |
3 |
47 |
||
4 |
55 |
4 |
56 |
4 |
36 |
4 |
48 |
4 |
61 |
4 |
42 |
||
5 |
56 |
5 |
52 |
5 |
55 |
5 |
57 |
5 |
65 |
5 |
43 |
||
6 |
54 |
6 |
57 |
6 |
51 |
6 |
51 |
6 |
69 |
6 |
53 |
||
7 |
62 |
7 |
52 |
7 |
54 |
7 |
55 |
7 |
64 |
7 |
53 |
||
8 |
63 |
8 |
55 |
8 |
53 |
8 |
56 |
8 |
61 |
8 |
57 |
||
9 |
9 |
9 |
54 |
9 |
43 |
9 |
67 |
9 |
62 |
||||
10 |
10 |
10 |
10 |
10 |
10 |
59 |
|||||||
№ варианта |
высота растений, см |
||||||||||||
5 |
1повт |
2 повт |
3 повт |
||||||||||
1 |
61 |
1 |
53 |
1 |
46 |
||||||||
2 |
54 |
2 |
48 |
2 |
40 |
||||||||
3 |
54 |
3 |
52 |
3 |
42 |
||||||||
4 |
58 |
4 |
49 |
4 |
49 |
||||||||
5 |
51 |
5 |
51 |
5 |
46 |
||||||||
6 |
61 |
6 |
48 |
6 |
55 |
||||||||
7 |
56 |
7 |
44 |
7 |
50 |
||||||||
8 |
61 |
8 |
51 |
8 |
49 |
||||||||
9 |
57 |
9 |
47 |
9 |
48 |
||||||||
10 |
50 |
10 |
48 |
10 |
Обработку результатов опыта осуществляем с помощью пакета MS Excel с использованием надстройки AgCStat.xla. Исходные данные заносим в структурированные таблицы для работы с надстройкой AgCStat.xla: у нас 5 вариантов наблюдений по 30 элементов в ка^дом (рис. 4). Результирующим показателем является высота растений ячменя в данном полевом опыте.
Выдвигаем гипотезу: в однофакторном дисперсионном анализе это гипотеза о не влиянии фактора А. Таким образом, гипотеза Н 0 : фактор А не оказывает влияние на результирующий показатель, то есть на высоту растений.

Рисунок 4 – Данные экспериментальных исследований по высоте ячменя, структурированные в MS Excel для анализа
Далее приступаем непосредственно к расчетам. Для этого подключаем надстройку AgCStat.xla а выбираем О^нофакторный ^исперсионный анализ полевого опыта по Б.А. ^оспехову (рис. 5).
В открывшимся диалоговом окне устанавливаем необходимые параметры для ка^дой отдельной таблицы (рис. 6).


После определения Диапазона данных и Диапазона результатов получаем искомые значения (рис. 7).
Результаты анализа Вариант Кол-во |
Среднее |
Дисперсия |
Ср.кв.откл. |
Ошибка |
Точность% |
Результаты анализа Вариант Кол-во |
Среднее Дисперсия |
Ср.кв.откл. |
Ошибка Точность% |
|
а |
3 |
50,3333321 |
22,333334 |
4,7258158 |
2,72845 |
5,420764 |
а 3 |
49 48 |
6,9282031 |
4 8,1632652 |
б |
з |
54,3333321 52,6666679 |
12,333333 42,333332 |
3,5118845 6,5064068 |
375648 |
7,1325488 |
б 3 в 3 |
52,3333321 9,333333 57,6666679 12,333333 |
3,0550504 3,5118845 |
1,76383 3,3703837 2,02759 3,5160475 |
з |
54,3333321 |
4,3333335 |
11,269427 2,081666 |
6,50641 1,20185 |
13,278381 2,2119946 |
г 3 Д 3 |
51,3333321 17,333334 52,3333321 46,333332 |
4,163332 6,806859 |
2,4037 4,6825342 3,92994 7,5094433 |
|
е |
з |
54 |
9 |
з |
1.73205 |
3,2075014 |
е 3 |
46,6666679 140,33333 |
11,846237 |
6,83943 14,655918 |
ж |
з |
56 |
28 |
5,2915025 |
3,05505 |
5,4554472 |
ж 3 |
50,6666679 166,33333 |
12,897028 |
7,4461 14,696255 |
По опыту |
30 |
52,6666679 53,2333336 |
1,3333334 24,46092 |
5,2915025 1,1547005 4,9457984 |
0,66667 0,90298 |
5,3597374 1,2658226 1,6962589 |
з 3 и 3 По опыту 30 |
48,3333321 4,3333335 55,6666679 36,333332 48,3333321 34,333332 51,2333336 46,529884 |
2,081666 6,0277138 5,8594651 6,8212819 |
1,20185 2,486587 3,4801 6,2516804 3,38296 6,9992352 1,24539 2,4308197 |
Источ. вариации |
Сумма кв. |
ст. свободы |
Дисперсия |
Рфакт |
Ртаб095. |
Влияние % |
Источ.вариации Сумма кв. |
ст.свободы Дисперсия |
Рфакт |
Ртаб095. Влияние % |
Общее |
709,3666 |
29 |
100 |
Общее 1349,367 |
29 |
1 по |
||||
Повторений Вариантов |
113,8668 160,0333 |
g |
17,781481 |
0,7349971 |
з |
16,051893 22,56003 |
Повторений Вариантов 319,3667 |
9 35,485191 |
0,6890329 |
2,9 23,667898 |
Случайное |
435,4666 |
18 |
24,192587 |
61,388077 |
Случайное 1030 |
20 51,499992 |
76,3321 |
|||
Кр.Стьюде |
2,83975267 Точ.опыта% 2,0999999 НСР= |
5,3345385 8,4085073 |
Ош. разн |
4,0040512 |
Ош.ср.= Кр.Стьюде |
4,14326763 Точ.опыта% 2,0999999 НСР= |
8,0870543 12,268214 |
Ош. разн 5,8420072 |
||
В опыте НЕ выявлено СУЩЕСТВЕННЫХ различий вариантов! |
] |
В опыте НЕ выявлено СУЩЕСТВЕННЫХ различий вариантов! |
1 |
|||||||
опыт № 1 |
опыт № 2 |
|||||||||
Результаты анализа Вариант Кол-во |
Среднее |
Дисперсия |
Ср.кв.откл. |
Ошибка |
Точность^ |
Результаты анализа Вариант Кол-во |
Среднее Дисперсия |
Ср.кв.откл. |
Ошибка Точностьй |
|
а |
3 |
50,3333321 |
22,333334 |
4,7258158 |
2,72845 |
5,420764 |
а 3 |
58,3333321 104,33334 |
10,214369 |
5,89727 10,109604 |
б |
з |
54,3333321 52,6666679 |
12,333333 42,333332 |
3,5118845 6,5064068 |
3,75648 |
7,1325488 |
б 3 в 3 |
57,6666679 25,333334 |
5,0332232 6,5574384 |
2,90593 5,0391893 3,78594 7,0109978 |
А |
3 |
54,3333321 54 |
9 |
11,269427 2,081666 3 |
6,50641 1,20185 1,73205 |
13,278381 2,2119946 3,2075014 |
Д 3 |
50,3333321 94,333336 57,6666679 97,333336 |
9,7125349 11,135529 9,8657656 |
5,60753 11,140797 6,4291 11,689274 5,696 9,8774605 |
ж |
3 3 |
56 57 |
28 28 |
5,2915025 5,2915025 |
3,05505 3,05505 |
5,4554472 5,3597374 |
ж 3 |
57,3333321 34,333332 |
5,8594651 2,6457512 |
3,38296 5,9005179 1,52753 2,6336641 |
По опыту |
30 |
52,6666679 53,2333336 |
1,3333334 24,46092 |
1,1547005 4,9457984 |
0,66667 0,90298 |
1,2658226 1,6962589 |
По опыту 30 |
57,3333321 160,33333 48,3333321 85,333336 55,4000015 64,937927 |
12,66228 9,2376041 8,0584068 |
7,31057 12,750996 5,33333 11,034482 1,47126 2,6556985 |
Источ.вариации |
Сумма кв. |
ст. свободы |
Дисперсия Рфакт |
Ртаб095. |
Влияние % |
Источ.вариации Сумма кв. |
ст.свободы Дисперсия |
Рфакт |
Ртаб095. Влияние % |
|
Общее Повторений Вариантов Случайное |
709,3666 113,8668 160,0333 435,4666 |
17,781481 24,192587 |
0,7349971 |
з |
16,051893 22,56003 61,388077 |
Общее 1883,2 Повторений 716,6 Вариантов 332,5334 Случайное 834,0665 |
9 36,948158 18 46,337029 |
0,7973786 |
38,052254 3 17,657892 44,289856 |
|
Ош.ср.= |
2,83975267 2,0999999 |
Точ. опытам |
i 5,3345385 8,4085073 |
Ош. разн |
4,0040512 |
Кр.Стьюде |
3,93009877 Точ.опыта% 2,0999999 НСР= |
7,0940413 11,637022 |
Ош. разн 5,5414395 |
|
Кр.Стьюде |
В опыте НЕ выявлено СУЩЕСТВЕННЫХ различий вариантов!
В опыте НЕ выявлено СУЩЕСТВЕННЫХ различий опыт № 3
опыт № 4
Рисунок 7 – Дисперсионный анализ для опытов № 1-5
Результаты расчетов выводятся на экран.
Как видим из проведенного анализа, Критическое значение статистики при 5% уровне значимости в первом и третьем варианте равно 0,73, во втором – 0,68, в четвертом – 0,79, а в пятом – 2,069. Fфакт < F теоретическое, следовательно, нулевая гипотеза принимается, оценку частных различий не проводят.
Таким образом, внесение всех опытных удобрений поло^ительно сказалось на рост и развитие растений ячменя. Следовательно, мо^но сделать вывод, что удобрения – это основной фактор, влияющий при вегетации опытной культуры.
Выво^ы. В настоящее время степень проникновения приемов автоматизации в обработку результатов экспериментальных данных полученных в ходе агрономических исследований достаточно мала. Объясняется это, в первую очередь, колоссальной сло^ностью агро- био- систем по сравнению с физическими объектами и техническими системами, на успешном описании которых математика заработала сегодняшнюю свою высокую репутацию. Поэтому разработка и исследование математических моделей этих систем представляется перспективным направлением, требующим совместных усилий агрономов, программистов и математиков. Статистическая обработка данных, полученных как в эксперименте, так и путем повседневного медицинского учета, необходима для проверки степени достоверности результатов, правильного их обобщения и выявления закономерностей агротехнологических процессов. Необходимо понимать, что ка^дый из методов математической статистики имеет свои возмо^ности и ограниченную область применения. Только цель исследования и характер полученных данных определяют выбор математического аппарата для обработки этих данных.
https://cyberleninka.ru/article/n/modeli-i-metodika-otsenki-tehnologiy-selskohozyaystvennogo-proizvodstva-na-primere-rastenievodstva-programmnaya-realizatsiya-i (data obrashcheniya: 07.01.2021).
Список литературы Автоматизация обработки экспериментальных данных в агрономических исследованиях
- Лойко В.И., Ткаченко В.В., Лытнев H.H. Модели и методика оценки технологий сельскохозяйственного производства (на примере растениеводства): программная реализация и основные результаты // Научный журнал КубГАУ 2017. № 134. URL: https://cyberleninka.ru/article/n/modeli-i-metodika-otsenki-tehnologiy-selskohozyaystvennogo-proizvodstva-na-primere-rastenievodstva-programmnaya-realizatsiya-i (дата обращения: 07.01.2021).
- Платонов В.А., Чудновский А.Ф. Моделирование агрометеорологических условий и оптимизация агротехники: (АСУ ТП в земледелии). Л.: Гидрометеоиздат, 1984. 280 с.
- Ткаченко В. В. Система поддержки принятия решений управления экономическими параметрами в растениеводстве // Научный журнал КубГАУ. 2008. № 44. URL: https://cyberleninka.ru/article/n/sistema-podderzhki-prinyatiya-resheniy-upravleniya-ekonomicheskimi-parametrami-v-rastenievodstve (дата обращения: 25.12.2020).
- Информационные системы управления производственной компанией / под редакцией H.H. Лычкиной. М.: Издательство Юрайт, 2019. 249 с.
- Проектирование оптимальной отраслевой структуры производства в сельскохозяйственных предприятиях / H.H. Петренко, Т.Н. Соловьева, А.П. Волобуев, Л.Ф. Масловская. Курск: Изд-во КГСХА, 2003. 110 с.
- Волков С.Н. Землеустройство. Экономико-математические методы и модели. Т.4. М.: Колос, 2001. 696 с.
- Кравченко Р.Г. Математическое моделирование экономических процессов в сельском хозяйстве. М.: Колос, 1978. 424 с.
- Рекомендации по регулированию почвенно-гидрологических процессов на пахотных землях / В.П. Герасименко [и др.]. Под ред. В.М. Володина. Курск: «Издательский центр «ЮМЭКС», 2000. 105 с.
- Кирюшин В.И. Экологизация земледелия и технологическая политика. М.: Изд-во МСХА, 2000. 473 с.
- Ohm H.W. Response of 21 Oat Cultivars to Nitrogen Fertilization. Agronomy Journal. 1976. Vol. 68. № 5. P. 773-775.
- Технология неорганических веществ и минеральных удобрений / Е.Я. Мельников, В.П. Салтанова, A.M. Наумова, Ж.С. Блинова. М.: Химия, 1983. 432 c.
- Третьяков H.H. Практикум по физиологии растений. М.: Агропром-издат, 1990. 27 с.
- Хорошкин А.Б. Применение прогрессивных технологий минерального питания растений // Сб. материалов. Краснодар: Издательство Stadtgespraech, 2006.