Цифровые технологии для оценки и прогнозирования влияния пространственно-временного распределения парниковых газов на фотосинтетическую активность сельскохозяйственных культур

Цель исследования: формирование банка моделей для осуществления имитационных экспериментов по оценке и прогнозированию значений концентрации парниковых газов в приземном слое атмосферы территории на основе аппарата искусственных нейронных сетей и ГИС-технологий. Рассматривается влияние повышенной концентрации диоксида углерода в приземном слое атмосферы на рост и развитие сельскохозяйственных растений, а именно на изменение фотосинтетической активности, уровня минерализации гумусового слоя почвы, что влияет на урожайность культур. Особенности сельскохозяйственного производства определяют актуальность создания и внедрения новой интеллектуальной технологии, которая обеспечит возможность выявления оптимальных параметров растениеводства.
Методы. Формирование обучающей выборки для нейронной сети осуществлялось за счет численных экспериментов и методов математического моделирования. Для выбора лучшей топологии нейронной сети по прогнозированию концентрации парниковых газов на рассматриваемой территории были проведены эксперименты, которые позволили выявить среднеквадратическое отклонение и относительную погрешность. Для оценки прогностических способностей моделей были проведены натурные эксперименты по замерам концентраций CO₂ в приземном слое атмосферы на сельскохозяйственных территориях Белгородской области.
Результаты. Был разработан программный инструментарий, который позволяет визуализировать рассеивание и накопление парниковых газов в приземном слое атмосферы. Это позволяет проводить имитационные эксперименты, необходимые для определения территорий, которые находятся под воздействием техногенных источников. Была проведена оценка фотосинтетической активности растений на выбранной территории, что позволяет сформировать дальнейшие рекомендации по эффективному использованию сельскохозяйственной территории, направленные на повышение урожайности культур.
Заключение. Были рассмотрены парадигмы нейронных сетей, проведены эксперименты по выявлению лучшей топологии. Разработан программный инструментарий, позволяющий визуализировать рассеивание и накопление парниковых газов в приземном слое атмосферы для лиц, принимающих решения. Проанализированы воздействия техногенных факторов на фотосинтетический аппарат сельскохозяйственных растений, на основании которых сформулированы выводы и практические рекомендации по выращиванию сельскохозяйственных культур.

1. Федоров В. И., Иващук О. А., Ужаринский А. Ю. Разработка модели оценки и прогнозирования состояния почв сельско-городских территорий на основе искусственной нейронной сети // Научный результат. Информационные технологии. 2017. Т. 2. №. 4. С. 3-9.

2. Федоров В. И., Иващук О. Д., Долинский А. А. Разработка методов поддержки принятия решений при градостроительном зонировании сельско-городских территорий с использованием оценки качества почв // Успехи современного естествознания. 2019. №. 7. С. 127-132.

3. Штана А. И. Модель прогнозирования состояния почв сельско-городских территорий на основе нейронных сетей // Студенчество России: век XXI. Орел, 2019. С. 664-673.

4. Ivashchuk O.A., Fedorov V.I., Goncharov D.V. Approaches to the Development of an Automated Control System for the Adaptation of Agricultural Areas under the Changing Greenhouse Effect // Mathematical Statistician and Engineering Applications. 2022. Vol. 71, №. 3s2. P. 948-956.

5. Албегов Р.Б., Гагиева С.С. Изменение климата Северного Кавказа. Возможные угрозы и ответные меры // Вестник МАНЭБ. 2010. Т. 15, № 4. С. 162-167.

6. Метешкин К. А., Кутицкая Е. С. Задача геомоделирования загрязнений урбанизированных территорий // Ученые записки Крымского федерального университета имени ВИ Вернадского. География. Геология. 2010. Т. 23. №. 2. С. 183-189.

7. Бисчоков Р. М., Суханова С. Ф. Основные факторы, оказывающие влияние на биологические объекты // Научно-техническое обеспечение агропромышленного комплекса в реализации Государственной программы развития сельского хозяйства до 2020 года. Курган, 2019. С. 413-418.

8. Прядкина Г.А. Пигменты, эффективность фотосинтеза и продуктивность пшеницы // Plant Varieties Studying and protection. 2018. Vol. 14, no 1.

9. Исследование загрязнения окружающей среды от выбросов вредных веществ промышленных предприятий с учетом климатических особенностей региона / К. В. Гармонов, Т. В. Щукина, М. Н. Жерлыкина, О. Б. Кукина // Жилищное хозяйство и коммунальная инфраструктура. 2017. №. 3. С. 84-92.

10. Developing a framework to assess the long-term adoption of renewable energy technologies in the electric power sector / S. Radpour, E. Gemechu, M. Ahiduzzaman, A. Kumar // The effects of carbon price and economic incentives Renewable and Sustainable Energy Reviews. 2021. № 111663. P. 152.

11. Коданева С. И. Потенциал цифровых технологий для смягчения последствий и адаптации к изменению климата // Россия и современный мир. 2022. №. 1 (114). С. 63-85.

12. Kenneth H., Brian V. M., Iva R. S. Full energy system transition towards 100% renewable energy in Germany in 2050 // Renewable and Sustainable Energy Reviews. 2019. Vol. 102. P. 1-13.

13. Куракина Н. И., Мышко Р. А. Моделирование загрязнения атмосферного воздуха промышленными объектами в технологии геоинформационных систем // Изв. СПбГЭТУ" ЛЭТИ. 2021. №. 5. С. 21-27.

14. Томакова Р.А., Филист С.А., Яа З.До. Универсальные сетевые модели для задач классификации биомедицинских данных // Известия Юго-Западного государственного университета. 2012. № 4-2 (43). С. 44-50.

15. Дрейзин В.Э., Гримов А.А. Измерительный блок для нейтронного спектрометра реального времени с вычислительным восстановлением энергетических спектров с помощью нейронных сетей // Известия Юго-Западного государственного университета. 2012. № 2-3. С. 223-228.

16. Вологжина С. Ж. Оценка загрязнения воздушного бассейна г. Улан-Удэ // Известия Иркутского государственного университета. Серия: Науки о Земле. 2011. Т. 1. С. 48-59.

17. Орлова И.В. Функциональное зонирование земель сельскохозяйственного назначения для целей сбалансированного природопользования // Фундаментальные исследования. 2014. №5.

18. Бисчоков Р. М. Анализ, моделирование и прогноз урожайности сельскохозяйственных культур для Кабардино-Балкарской Республики с использованием аппарата нечеткой логики // Вестник Российского университета дружбы народов. Серия: Агрономия и животноводство. 2020. Т. 15. №. 2. С. 123-133.

19. Салимов Д. С., Эргашев А., Абдулоев А. Влияние повышенных концентраций CO2 и других стрессовых экологических факторов на продуктивность и содержание крахмала белка в зерне различных сортов пшеницы // Вестник Таджикского национального университета. Серия естественных наук. 2015. №. 1-5-2. С. 23-28.

20. Иващук О. А., Федоров В. И., Гончаров Д. В. Разработка метода и алгоритма оценки сельскохозяйственных территорий в условиях динамики парникового эффекта // Инновационные технологии в науке и образовании (Конференция "ИТНО 2022"): Сборник научных трудов Х Юбилейной международной научно-практической конференции, с. Дивноморское, 26 сентября – 02 2022 года / редкол.: Ю.Ф. Лачуга [и др.]. Ростов-на-Дону: Общество с ограниченной ответственностью "ДГТУ-ПРИНТ", 2022. С. 232-236. DOI 10.23947/itse.2022.232-236. EDN RPYVRU.