ЭлБиб

25 / 224

Научный журнал Российского НИИ проблем мелиорации, № 2(18), 2015 г., [16–30]
7
инокулюма 106 бактерий /1 семя. После посева поле прикатывали.
Для борьбы с сорняками до всходов культуры вносили почвенный герби-
цид «Гезагард 500 FW к. с.» нормой 3,0 л/га. Против вредителей в фазу
«бутонизация – начало цветения» использовали инсектицид «Нурел Д»
нормой 1,0 л/га.
Во время проведения опытов влажность почвы поддерживали
на уровне 75–80 % НВ в вариантах с орошением с помощью дождевальной
машины «Кубань». Орошение земель в хозяйстве осуществляется водами
Ингулецкой оросительной системы. Суммарное водопотребление на посе-
вах нута за вегетационный период определяли упрощенным методом вод-
ного баланса.
Уборку зерна проводили прямым комбайнированием при полной
спелости бобов.
Для определения степени влияния факторов и прогнозирования уро-
жая зерна нута был применен метод обобщенной регрессионной ИНС
(GRNN).
На рисунке 2 представлена схема математической модели НС
для программирования урожайности сельскохозяйственных культур
с п входами (дендритами, т. е. количеством факторов), причем синапсы
этих дендритов имеют веса 1 w , 2 w , …, п w . До синапса поступают импуль-
сы силы 1 Х , 2 Х , …, п Х соответственно (факторы влияния), тогда после
прохождения синапса и дендритов к нейронам поступают импульсы 1 1 Хw,
2 2 Хw, …, п п Хw. Нейрон преобразует полученный суммарный импульс
S = 1 1 Хw+ 2 2 Хw+ … + п п Хwв соответствии с некоторой передаточной
функцией )( SF. Сила выходного импульса (урожайность) равна: )( SFY  =
= F ( 1 1 Хw+ 2 2 Хw+ … + п п Хw).
Кросс-проверка прогнозных моделей проведена с использованием
статистических критериев оценки достоверности: средняя ошибка, средняя
Электронная Научная СельскоХозяйственная Библиотека