ЭлБиб

Научный журнал Российского НИИ проблем мелиорации, № 2(18), 2015 г., [16–30]

УДК 635.657:631.5:631.6:519.71

С. О. Лавренко, Н. Н. Лавренко, В. И. Пичура

Херсонский государственный аграрный университет, Херсон, Украина

НЕЙРОПРОГРАММИРОВАНИЕ УРОЖАЙНОСТИ ЗЕРНА НУТА

НА МЕЛИОРИРУЕМЫХ ПОЧВАХ

Цель исследований – усовершенствование элементов технологии выращивания

нута на мелиорируемых почвах в типичных климатических условиях зоны сухой степи

Украины. Для высокоточного программирования урожая зерна нута в зависимости

от четырех агротехнологических факторов (суммарного водопотребления, минераль-

ных удобрений, загущения растений и глубины основной обработки почвы) применен

метод обобщенной регрессионной искусственной нейронной сети GRNN (4-54-2-1)

с 54 нейронами в первом скрытом слое и двумя – во втором; продуктивность обуче-

ния – 0,22; контрольная – 0,37; тестовая – 0,36; ошибка обучения – 0,29; контрольная –

0,45; тестовая – 0,47. Множественная корреляция с учетом нелинейных закономерно-

стей влияния факторов на урожайность зерна нута составила 0,96. Коэффициенты

асимметрии фактической и расчетной урожайности составили 0,37 и 0,23 соответст-

венно. Достоверность моделирования составила 92,08 %. Кросс-проверка прогнозных

моделей была проведена с использованием статистических критериев оценки досто-

верности: средняя ошибка, средняя абсолютная ошибка, стандартное отклонение

ошибки, средняя относительна ошибка, коэффициент корреляции. Для обработки ис-

пользованы модификации программы Statistica Advanced и Automated Neural Networks

for Windows v.10 Ru. Определены нелинейные закономерности степени влияния изу-

чаемых факторов на динамику формирования урожайности зерна нута: суммарное во-

допотребление – 37,01 %; внесение минеральных удобрений – 22,88 %; загущение рас-

тений – 22,29 %; глубина основной обработки почвы – 17,82 %. Представленные в ра-

боте результаты нейромоделирования можно использовать для четырехфакторного вы-

сокоточного программирования урожайности зерна нута на мелиорируемых почвах

в типичных климатических условиях сухой степи.

Ключевые слова: нейропрограммирование, урожайность, нут, основная обработ-

ка почвы, минеральное удобрение, загущение растений, суммарное водопотребление.

S. O. Lavrenko, N. N. Lavrenko, V. I. Pichura

Kherson State Agricultural University, Kherson, Ukraine

NEURAL NETWORK MODELING OF CHICKPEA

GRAIN YIELD ON AMELIORATED SOILS

The aim of the research is to improve the management practices for chickpea growing

upon ameliorated soils in typical climate conditions of arid steppe of Ukraine. For precision

programming of chickpea grain yield depending on four factors (water consumption, mineral

feterlizers, plant density, and the depth of soil primary tillage) generalized regression method

of artificial neural network GRNN (4-54-2-1) with 54 neurons in the first buried layer and

two neurons in the second layer was applied; productivity neural network training is 0.22;

control – 0.37; test – 0.36; training error – 0.29; control – 0.45; test – 0.47. Multiple

correlation considering non-linear patterns of the impact of studying factors on chickpea grain

yield was 0.96. Asymmetry parameters of actual and calculated yield were 0.37 and 0.23,

respectively. The accuracy of the simulation was 92.08 %. Cross-validation of predictive

Электронная Научная СельскоХозяйственная Библиотека