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.

Еще

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

Еще

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

Результаты анализа Вариант Кол-во Среднее Дисперсия Ср.кв.откл. Ошибка Точность% а 3 53,3333321 56,333332 7,5055532 4,33333 8.125 б 3 47,3333321 49,333332 7,0237689 4.05517 8,5672712 в 3 49,3333321 41,333332 6,4291005 3,71184 7,5240064 Г 3 52 27 5,1961522 3 5,7692304 д 3 49,3333321 8,333333 2,8867512 1,66667 3,3783784 е 3 54,6666679 42,333332 6,5064068 3,75648 6,8716016 ж 3 50 36 6 3,4641 6,9282031 з 3 53,6666679 41,333332 6,4291005 3,71184 6,9164777 и 3 50,6666679 30,333334 5,5075707 3,1798 6,2759156 к з 46 28 5,2915025 3,05505 6,6414137 По опыту 30 50,6333351 32,171265 5,6719718 1,03556 2,0452051 Источ. вариации Сумма кв. ст.свободы Дисперсия Рфакт Ртаб095. Влияние % Общее 932,9667 29 100 Повторений 515,4666 2 55,250271 Вариантов 212,3001 9 23,588898 2,0692019 2,7 22,755377 Случайное 205,2 18 11,399998 21,99435 Ош.ср.= 1,9493587 Точ.опыта% 3,8499513 Ош. разн 2,7485957 Кр.Стьюде 2,0999999 НСР= 5,7720509 В опыте НЕ выявлено СУЩЕСТВЕННЫХ различий вариантов! опыт № 5

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.
Еще
Статья научная