«ТЕХНОЛОГИЯ И ТЕХНИЧЕСКОЕ СРЕДСТВО БЕСКОНТАКТНОГО ИЗМЕРЕНИЯ ВЛАЖНОСТИ ПОЧВЫ НА ОСНОВЕ ИНФРАКРАСНОГО ИЗЛУЧЕНИЯ ...»

излучения происходит следующим почвой 1 помещается в поле зрения пироэлектрического датчика MLX 2, закрепленного на изолирующем от внешнего излучения экране 3, на расстоянии от поверхности почвы всему эксперименту заносятся в Рисунок 3.13 – Окно программы результатов общую таблицу В1, ПРИЛОЖЕНИЕ эксперимента Для исследования инфракрасного излучения почвы учитывались основные и дополнительные факторы, характеризующие процесс и условия измерения, которые по нашему мнению, могут влиять на результат эксперимента.

Управляемые факторы по входу эксперимента Время, прошедшее с момента увлажнения почвы. Для удобства общее время, часы и минуты были переведены в единую систему – часы с десятыми и сотыми долями. Время измеряли на обычных электронных часах.

Количество добавленной воды от объема почвы Q1, мл, %.

В каждую ячейку с почвой добавляли определенное количество воды. Это количество измерялось в % от объема почвы в этой ячейке. Тем самым создавалась разная влажность почвы. Разное количество добавленной воды 10, 25, 35, 50, 100, 150, 200, 250, 300 миллилитров определяло разную первоначальную влажность почвы по каждой ячейке. Первая ячейка на всем протяжении эксперимента оставалась полностью сухой - контрольной.

Переводили мл в % от объма почвы и получали соответственно – 2%, 5%, 7%, 10%, 20%, 30%, 40%, 50%, 60% жидкости добавленной в соответствующую ячейку.

Результативные параметры факторов по выходу эксперимента Температура почвы с влагомера TR-46908 Tpv, оС.

Данный параметр регистрируется для того, чтобы определить, как изменение влажности почвы влияет на ее температуру. Температурный зонд помещается в почву. Показания отображаются на встроенном дисплее прибора.

Единица измерения – градусы Цельсия, оС. Диапазон измерения от минус 5 до плюс 150 оС.

Влажность почвы с влагомера TR-46908 Wpv, %.

Данный параметр показывает, как изменяется содержание количества влаги в почве по каждой ячейке, от первоначального с течением времени. Зонд для измерения помещается в почву. Для точности показаний необходимо осуществить надежный контакт между зондом и почвой. Показания о влажности почвы отображаются на встроенном дисплее прибора. Единица измерения – %. Диапазон измерения от 0 – 100 %. Погрешность измерения – 2% [96].

Инфракрасное излучение почвы, фиксируемое с помощью тепловизора, используется для отслеживания изменения температуры почвы по мере изменения ее влажности. Информация, получаемая с прибора SDS Hotfind L, имеет вид цветного изображения, рисунок 3.13, где каждому цвету соответствует своя температура. От более холодного – темного, к более теплому – светлому. По данному тепловому изображению можно определить температуру почвы в любой ее точке. Единица измерения – градусы Цельсия оС, шаг измерения 0,01 оС, погрешность 2 оС или 2%. Данный прибор работает в ИК диапазоне от 7 – 14 мкм.

Для точности получения данных необходимо предварительно настроить прибор:

произвести фокусировку и задать коэффициент черноты измеряемого объекта.

Температура корпуса датчика MLX №1 Tk1, оС.

Температура корпуса пироэлектрического датчика фиксируется для ее дальнейшего возможного влияния на результаты эксперимента. Температура корпуса – это температура окружающего воздуха. Единица измерения - градусы Цельсия, оС. Диапазон измеряемых температур от минус 40 до плюс 382 °С.

Разрешение – 0,02 °С. Точность измерений 0,1 °С.

Температура поверхности почвы, полученная за счет ИК излучения, регистрируемая пироэлектрическим датчиком. Единица измерения – градусы Цельсия, оС. Диапазон измеряемых температур от -40..+382 °С. Разрешение – 0, °С. Точность измерений 0,1 °С. Диапазон ИК излучения 5,5 – 14 мкм. Данные, с помощью специального программного обеспечения, отображаются на дисплее компьютера.

Неуправляемые фиксируемые параметры факторов эксперимента Температура воздуха в помещении фиксируется для ее дальнейшего возможного влияния на результаты эксперимента. Единица измерения - градусы Цельсия, С. Измерения проводили с помощью ртутного термометра с погрешностью 0,1 С, а так же с помощью электронного анализатора ТКА ПКМ (52) [108].

Относительная влажность воздуха Wv, %.

Относительная влажность воздуха в помещении фиксируется для ее дальнейшего возможного влияния на результаты эксперимента. Единица измерения – % относительной влажности. Измерения проводили с помощью ртутных – сухого и влажного термометров с погрешностью – 1 %, а так же с помощью электронного анализатора ТКА ПКМ (52) [108].

Номер файла Excel соответствует № кадра тепловизора и несет цифровую информацию об ИК-изображении почвы в виде матрицы температур в формате *xls.

Вышеперечисленные параметры факторов так же заносятся в общую таблицу В1, ПРИЛОЖЕНИЕ В.

Методика измерения инфракрасного излучения в полевых условиях Методика измерения в открытом поле Целью данного эксперимента является исследование ИК излучения почвы в полевых условиях в зависимости от ее влажности.

Задачи, решаемые в процессе эксперимента:

измерение ИК излучения на отдельных участков (точках поля);

измерение влажности отдельных участков точек поля классическими методами;

оценка взаимосвязи между ИК излучением и влажностью почвы по каждому участку (точке).

Исследования проводили в поле учхоз-племзавода «Комсомолец»

Мичуринского ГАУ. Почва – типичный чернозем. Поле примыкает к пруду, имеется уклон более 5о, рисунок 3.14а).

';

Опираясь на методику ГНУ ВНИИА им. Д.Н. Прянишникова [120], исследуемый участок поля условно разделялся на квадраты, размером 2х2м.

а) выбранное поле учхоз-племзавода «Комсомолец»; б) условное разделение участка поля на Рисунок 3.14 – Исследуемый участок поля учхоз-племзавод «Комсомолец»

(изображения получены по реальным GPS координатам в программе Google Earth) Измерения и отбор проб производили в центре каждого участка, рисунок 3.14б).

Прибор устанавливался на высоте 400мм. Одновременно фиксировали: GPS координаты измеряемых точек; инфракрасную температуру почвы; влажность и температуру почвы на поверхности; температуру и влажность воздуха; скорость ветра. Для определения реальной влажности (методом высушивания) отбирались образцы почвы. Параллельно осуществлялось измерение температуры и влажности почвы с помощью электрического влагомера почвы TR-46908 [96]. Для оценки внешнего воздействия на измерения при проведении эксперимента фиксировали температуру и влажность воздуха с помощью электронного анализатора ТКА ПКМ [108].

Полученные результаты занесли в общую таблицу В.5, ПРИЛОЖЕНИЕ В.

Методика измерений ИК излучения почвы в саду Исследования инфракрасного излучения почвы в междурядьях плодового сада при определении влажности почвы проводились в экспериментальном саду ОПО ВНИИС им.И.В. Мичурина закладки 2007 года, со схемой посадки слаборослых яблонь 4,5х10 м. Система содержания почвы в саду – паровая.

Обеспечение водой корней осуществляется путем капельного орошения [85, 86].

Измерения проводили в центре сада. Схема организации исследования приведена на рисунке 3.15.

Рисунок 3.15 – Измерение влажности в междурядьях сада Прибор «ИКВП-01» устанавливался в точки измерения 1, 2, 3 на расстоянии 400 мм от почвы. Фиксировали: инфракрасную температуру почвы; влажность и температуру почвы на поверхности; температуру и влажность воздуха; скорость ветра. Измерение состояния температуры и влажности почвы проводили с помощью электрического влагомера почвы TR-46908 [96]. Более точное значение влажности почвы определяли методом – высушивания. Для оценки внешнего воздействия на измерения при проведении эксперимента фиксировали температуру и влажность воздуха с помощью электронного анализатора ТКА ПКМ [108].

Полученные результаты занесли в общую таблицу В.6, ПРИЛОЖЕНИЕ В.

исследований Аппроксимация результатов экспериментов Методическим инструментом при обработке экспериментальных данных являлся корреляционно-регрессионный анализ [47,56]. Использовались линейные и нелинейные модели.

Статистический анализ уравнения регрессии.

Статистический анализ уравнения регрессии включал три этапа:

Проверка однородности дисперсий.

В лабораторном эксперименте задавался параметр влажности почвы X (путем добавления воды), однако остальные параметры не стабилизировались.

Поэтому проверку однородности дисперсий в лабораторном эксперименте провести нельзя. Еще больше это относится к полевому эксперименту. В связи с этим точно оценить значимость коэффициентов регрессии и адекватность уравнения невозможно.

Оценка значимости всех коэффициентов регрессии.

воспроизводимости (ошибку эксперимента):

где – значение переменной в точке факторного пространства; – число переменной в этой точке; среднеквадратическое отклонение коэффициентов регрессии:

Расчет t-критерия Стьюдента:

где – i-ый коэффициент регрессии.

заданного уровня значимости, то i-ый коэффициент признается значимым.

Незначимые коэффициенты исключаем из уравнения регрессии. Оставшиеся коэффициенты пересчитываем заново.

3. Проверка моделей на адекватность.

Для проверки моделей на адекватность рассчитаем остаточную сумму квадратов:

где – экспериментальные значения выходной переменной; – значения, рассчитанные по уравнению регрессии.

Число степеней свободы:

где – число связей, равное числу коэффициентов уравнения, оставшихся после проверки их значимости. Тогда дисперсия адекватности:

Адекватность уравнения проверялась по критерию Фишера:

Если расчетное значение критерия Фишера уравнение считаем адекватным. Если данное условие не выполняется, то уравнение считается неадекватным. Требуется введение новых факторов и изменение порядка полинома [47].

Для реализации вышеуказанной методики применяется программа «Stat_Analyze», созданная на базе паке MathCAD, ПРИЛОЖЕНИЕ Г.

Применяемые программные средства Для статистической обработки полученных экспериментальных данных использовались следующие пакеты программного обеспечения: MathCAD 15, MATLAB 7 R2008b, STATISTIСA 6.0, Microsoft Office Excel 2007, SatIrReportStd.

Методика обработки экспериментальных данных нелинейной адаптивной моделью влажности почвы на базе нейронной сети Традиционные методы статистического анализа связаны с построением моделей, основанных на предположениях и теоретических выводах о линейной зависимости и нормальном распределении факторов. При этом данные могут быть неполными, противоречивыми и даже заведомо искаженными. Если между входными и выходными данными существует какая-то связь, даже не обнаруживаемая традиционными корреляционными методами, то нейронная сеть способна автоматически настроиться на нее с заданной степенью точности.

Некоторые сведения о нейронных сетях приведены в ПРИЛОЖЕНИИ Д.

соответствующего ее влажности нужно иметь два входных канала: первый от образца (почвы), второй – от эталона. Однако условием функционирования этих двух каналов является наличие разных температур образца почвы и эталона почвы, что в принципе в полевых условиях невозможно. Как уже было замечено ранее, создать эталон почвы, который бы компенсировал излучение от фона для полевых условий невозможно. Некоторое приближение к эталонному образцу почвы можно создать при использовании базы данных, измеренных ранее излучений на конкретном поле (полях), которые могут меняться в зависимости от типа и структуры почвы, наличия растительности, а так же температуры и влажности воздуха, температуры почвы. Последние три фактора можно легко контролировать в реальном технологическом процессе измерения влажности почвы.

Для создания эталонного образца предлагается создать информационную базу данных излучений почвы для различных условий (температура, влажность, растительность и т.д.), которая могла бы быть использована для корректировки сигнала от излучения почвы в зависимости от фона. На рисунке 3.16 изображена структура подачи входной информации в нейронную сеть с целью выделения информации о влажности почвы из инфракрасного излучения почвы и фона.

В нейронную сеть подаются сигналы FЭТП(i, j) и FЭТФ(i, j), соответствующие эталонному излучению от почвы и фона, где i, j – координаты поля. Эти сигналы подаются с приемников излучения в виде цифровой информации непрерывно в процессе измерений.

Сигналы FП(i, j) и FФ(i, j), соответствуют текущему излучению от почвы и фона с координатами поля i, j.

По каналам Tpv(i, j), Tv(i, j), Wv(i, j) подается сопутствующая дополнительная информация температура почвы, температура воздуха, влажность воздуха, так же привязанная к координатам поля i, j. Эти каналы осуществляют корректировку эталонной базы данных излучений в зависимости от температуры почвы, температуры воздуха и влажности воздуха по каждой координате. Эта информация может быть получена с датчиков температуры и влажности, встроенных в бортовой компьютер сельскохозяйственной техники.

Рисунок 3.16 – Структура подачи входной информации в нейронную сеть По каналам S, П, Rс вводится информация соответствующая типу почвы, е структуре после обработки и наличию на ней растительности по каждому полю.

Эта информация хранится в базе данных сельскохозяйственного предприятия и должна вводится в нейронную сеть перед мониторингом поля.

Процесс использования нейронных сетей для выделения из сигнала излучения почвы составляющей е влажности сводится к следующему:

Создание эталонной базы излучений FЭТП(i, j) и FЭТФ(i, j), получаемых с участков земли с известной влажностью почвы Wp по каждой координате поля.

Эта база создается или путем специальных полевых измерений на эталонных участках, или в процессе реальных измерений путем накопления информации.

Обучение нейронной сети, результатом которого являются параметры множественной нелинейной регрессии между эталонными излучениями FЭТП(i, j), FЭТФ(i, j), условиями измерений Tpv(i, j), Tv(i, j), Wv(i, j), при которых создавалась база данных, и целевым вектором влажности почвы Wp, полученным при е создании (задействован вход «Обучение» нейронной сети).

Расчет выходного сигнала влажности почвы Wp по излучениям FП(i, j) и FФ(i, j) в процессе текущих измерений осуществляется в режиме «Работа (корректировка)» нейронной сети по результатам е обучения – используются параметры множественной нелинейной регрессии последнего обучения.

В результате корректировки сигналов излучения почвы нейронной сетью, должна снизиться погрешность определения ее влажности.

Из анализа литературных источников [9, 13, 46, 57, 60, 140, 148] и зарубежного опыта применения технологий нейронных сетей, для нужд сельского хозяйства [141, 144, 145], целесообразно использовать многослойную сеть прямой передачи. Данная сеть может воспроизводить сложные нелинейные зависимости между входом и выходом сети; используемые функции активации – тангенциальная (tansig), логистическая сигмоидальная (logsig) и линейная (purelin) [59, 60, 75].

Структура нейронной сети изображена на рисунке 3.17.

Рисунок 3.17 – Структурная схема нейронной сети [129] Вход представлен вектором Pp, элементами которого являются: температура почвы, Tpv; ИК-температура почвы датчика 1, Tp1; базовая ИК-температура датчика 2, Tb2; температура корпуса датчика 1, Tk1; температура корпуса датчика 2, Tk2; температура воздуха, Tv и влажность воздуха, Wv. Выход – вектор влагосодержание почвы, Wp.

Сила влияния элементов входа Pp на нейрон nki (i=1,2,…, s) определяется их весом wki (i=1,2,…, s), образуя тем самым вектор весов wк k-го слоя сети.

Сеть состоит из входного и выходного слоя. Входной слой реализует связь с входными данными, выходной – с выходными. Входной вектор содержит восемь нейронов и представляет собой матрицу:

где: столбцы 1…m – изменение параметров в разной ситуации, строки 1…7 – входные параметры, соответствующие сигналам с различных источников (датчиков).

Выходной слой содержит один нейрон. Во входном слое каждый элемент вектора входа соединен со всеми входами нейрона матрицей весов w. Каждый нейрон включает суммирующий элемент, который складывает полученное произведение весового коэффициента и элемента вектора входа со смещением bn1.

При этом формируется выход Wn, который определяется уравнением:

где W – вектор выхода, w – матрица весов; P – входной вектор параметров;

b – смещение.

Для того чтобы воспользоваться предложенной моделью, необходимо произвести ее обучение. Используя квазиньютоновый алгоритм LM Левенберга – Маркварда, получаем матрицу весовых коэффициентов входного слоя Iw, матрицу весовых коэффициентов выходного слоя Lw, матрицу коэффициентов смещения входного слоя b1 и коэффициент смещения выходного слоя b2.

где n – номер нейрона, m – число входных параметров.

Программа для реализации нейросетевой обработки данных На базе пакета прикладных программ MatLab были реализованы две программы: «Obuchenie_NeiroVlagomer.m» – является вспомогательной и служит «Opredelenie_NeiroVlagomer.m», предназначенная для определения влажности почвы, ПРИЛОЖЕНИЕ Е1.

заключается в следующем:

Произвести обучение нейронной сети:

подать в программу обучения «Obuchenie_NeiroVlagomer.m» данные входного вектора Pp, а на выход – вектор Wp;

найти коэффициенты весов и смещения, которые определяют взаимосвязь между параметрами входа и выхода.

Используя полученные коэффициенты весов и смещений, подать на вход программы «Opredelenie_NeiroVlagomer.m» предполагаемые значения Pp и выполнить измерение.

Запускаем программу обучения «Obuchenie_NeiroVlagomer.m». При работе программы обучения в нее загружается исходная матрица Pp и целевая функция Т.

В качестве входной матрицы выступает матрица, полученная в ходе эксперимента (таблица В.5, ПРИЛОЖЕНИЕ В), в качестве целевой выступают данные по влажности почвы Wp этой же матрицы. На экране появляется окно программы обучения со структурной схемой нейронной сети, рисунок 3.18.

В процессе обучения программа ищет такой вектор w и b, который удовлетворял бы заданной ошибке. Экспериментальным путем было установлено, что ошибка обучения должна быть равна net.trainParam.goal = 0.0005, net.trainParam.epochs=12000. Поиск программой оптимальных значений w и b – рисунке 3.19.

В конце работы программы обучения рассчитывается ошибка – среднее значение отклонений точек обучающей выборки от полученной аппроксимирующей плоскости (3.9). Эта ошибка зависит как от обучающей выборки, так и параметров сети.

Рисунок 3.19 – График минимизации который определяется обучающей выборкой [60, 75]:

где: – функционал; – объм выборки; – номер слоя сети; – номер выборки;

– вектор желаемых значений влажности на выходе сети для выборки с номером q.

определения t в свою очередь зависит от характеристик сети (е архитектуры, метода обучения и т.д.), а также от качества исходных данных, которые представляют процесс определения влажности с той или иной ошибкой.

Результат определения влажности Wпр складывается из действительной влажности и ошибки е определения:

где WД – действительное значение влажности; t – ошибка определения.

Обучение завершается, когда выполнено заданное количество циклов, либо ошибка достигнет заданного значения или перестанет уменьшаться.

По достижению заданной ошибки программа выдает вектор w и b. После обучения сети, т. е получения w и b для данной обучающей выборки можно приступать к коррекции исходных данных, полученных в эксперименте в «Opredelenie_NeiroVlagomer.m», которая в качестве входных параметров использует уже известные вектора w и b. Входными данными для этой программы являются отдельный вектор, измеренных в процессе эксперимента данных (таблица В.5, ПРИЛОЖЕНИЕ В), который подается на вход Pp этой программы.

Результатом на выходе является скорректированный результат Wp.

Таким образом, нейронная сеть реализует нелинейную адаптивную модель влажности почвы (3.9), в которой излучение почвы описывается системой параметров и характеристик, значения которых определяются параметрами и характеристиками почвы и фона, а также особенностями используемого датчика излучения, статистические параметры и распределения которых заранее не известны. Физический смысл этой модели – корректировка сигнала от излучения почвы, часть из которого несет информацию о ее влажности, в условиях изменяющихся параметров фона.

ГЛАВА 4. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ

ОПРЕДЕЛЕНИЯ ВЛАЖНОСТИ В ИК ДИАПАЗОНЕ 5,5 – 14 МКМ Результаты лабораторных экспериментальных исследований сигнала пироэлектрического датчика MLX от влажности почвы Результаты зависимости сигнала пироэлектрического датчика MLX приведены в таблице В.3, ПРИЛОЖЕНИЕ В. Параллельно были исследованы изображения влажной ночвы, ПРИЛОЖЕНИЕ А.

Во второй главе нами было показано, что сигнал зависит от параметров окружающей среды, в частности температуры воздуха. Было сделано предположение, что сигнал, возможно, зависит и от влажности воздуха.

При создании инфракрасного влагомера почвы «ИКВП – 01», в главе 3 нами было предусмотрено, одновременно с регистрацией сигнала от объекта измерения (почвы), регистрация температуры окружающего воздуха, через измерения температуры корпуса прибора.

Вследствие преобразования данных таблицы В.1 ПРИЛОЖЕНИЕ В, сформировалась таблица В.4 ПРИЛОЖЕНИЯ В результатов, полученных с пироэлектрического датчика MLX. В таблицах приведены данные экспериментов с двух параллельно работающих MLX датчиков.

Результаты корреляционного анализа данных лабораторного эксперимента для одного из датчиков приведены в таблице 4.1.

Таблица 4.1 – Матрица корреляций лабораторного эксперимента В таблице обозначено:Y1 – температура почвы с электрического влагомера (Tpv), оС; Y2 – влажность почвы с электрического влагомера (Wpv), %; Y5 – температура корпуса датчика MLX (Tk2), оС; Y6 – температура базовая с датчика MLX (Tb2), С. Имеется сильная корреляционная связь между Y5 и X3, Y5 и Y2, а так же Y6 и X3, Y6 и Y5. Это указывает на возможную зависимость сигналов пироэлектрического датчика от количества добавленной воды.

Первоначально мы исследовали взаимозависимость входных параметров, корреляционная матрица для которых приведена в таблице 4.2.

Таблица 4.2 – Корреляционная матрица лабораторного эксперимента В таблице обозначено: X1 – температура воздуха (Tv), оС; X2 – влажность воздуха (Wv), %; Y1 – температура почвы с электрического влагомера (Tpv), оС.

Коэффициенты корреляции между температурой почвы Y1 и температурой воздуха X1 малы, поэтому эти параметры считаем независимыми друг от друга, это же относится и коэффициенту корреляции между температурой почвы Y1 и влажностью воздуха X2. Коэффициент корреляции между температурой воздуха X1 и влажностью воздуха X2 высокий и следует их считать зависимыми друг от друга, что объясняется физической сущностью связи между влажностью и температурой воздуха.

Исследована взаимозависимость входных параметров полевого эксперимента, корреляционная матрица для которых приведена в таблице 4.3.

Таблица 4.3 – Корреляционная матрица полевого эксперимента Коэффициенты корреляции между температурой почвы Y1 и температурой воздуха X1 малы, поэтому эти параметры считаем независимыми друг от друга, это же относится и коэффициенту корреляции между температурой почвы Y1 и влажностью воздуха X2. Коэффициент корреляции между температурой воздуха Рисунок 4.1 – Регрессионная зависимость [59, 91] сигнала почвы с датчика MLX от добавленной воды Y6(X3) Рисунок 4.2 – Регрессионная зависимость сигнала корпуса датчика MLX от добавленной воды Y5(X3) Обе регрессии аппроксимированы логарифмическим уравнением для:

Полученные коэффициенты уравнений регрессии проверены на значимость по t-критерию Стьюдента.

На рисунке 4.3 приведена регрессионная зависимость сигнала датчика MLX от влажности почвы Тsrp1(Wpv), измеренная прибором TR – 46908 в относительных единицах относительно его среднего значения, с применением пакета прикладных программ Mathcad [7, 73, 9, 41].

y(x)=1,04-7,5210-3x+1,2510-4x Рисунок 4.3 – Регрессионная зависимость ИК Большое среднеквадратическое сигнала пироэлектрического датчика MLX от влажности почвы: Тsrp1, Wpv – экспериментальные отклонение данных значения, у, х – теоретические значения Рисунок 4.4 – Регрессионная зависимость ИК (4.4) имеет вид:

сигнала пироэлектрического датчика MLX от влажности воздуха: Тsrp1, Wv – экспериментальные значения, у, х – теоретические значения С увеличением влажности воздуха сигнал имеет тенденцию к повышению.

Это связано с тем, что при росте температуры воздуха возрастает температура почвы и увеличивается испарение находящаяся в ней воды, соответственно Рисунок 4.5 – Регрессионная зависимость ИК сигнала пироэлектрического датчика MLX от температуры почвы: Тsrp1, Tpv – экспериментальные значения, у, х – теоретические значения y(x)=1,28-0,01x Рисунок 4.6 – Регрессионная зависимость ИК температуры воздуха: Тsrp1, Tv – экспериментальные значения, у, х – теоретические значения увеличивается испарение воды. По мере увеличения испарения происходит снижение температуры почвы и соответственно сигнала датчика.

Рисунок 4.7 подтверждает влияние температуры воздуха на температуру корпуса прибора.

Рисунок 4.7 – Регрессионная зависимость Tsrk1(Tv1) температуры корпуса пироэлектрического температуры воздуха (Tv), датчика MLX от температуры воздуха: Тsrk1, Tv – экспериментальные значения, у, х – теоретические Проверка значимости уравнений регрессий по программе Stat_Analyze»

(ПРИЛОЖЕНИЕ Г) показала, что коэффициенты уравнения значимы, а оно само адекватно процессу.

Многофакторная модель сигнала пироэлектрического датчика MLX Рассмотрим одновременное влияние нескольких факторов – Wv, Tv, Tk1, Tpv, Wpv на сигнал пироэлектрического датчика Tp1. Для этого из таблицы В.3 и В.4, ПРИЛОЖЕНИЯ В, формируется матрица (VV) параметров входа многофакторной модели – Wv, Tv, Tk1, Tpv, Wpv и ее выхода Tp1.

Исходя из наших условий при составлении уравнения регрессии (4.8) и расчета коэффициентов в качестве критерия оптимальности применен метод наименьших квадратов [48, 117, 61, 56]:

На рисунке 4.8 приведены регрессионные зависимости исследуемого сигнала от параметров многофакторной модели, полученные с применением пакета прикладных программ Mathcad [7, 73, 9, 41]:

Сигнал датчика MLX y(Tv) от температуры окружающего воздуха и его доверительные интервалы: максимальный ymax и минимальный ymin, приведены на рисунке 4.8а. Имеется тенденция к увеличению сигнала при увеличении температуры окружающего воздуха.

Сигнал датчика MLX y(Wv) от влажности воздуха и его доверительные интервалы: максимальный ymax и минимальный ymin, приведены на рисунке 4.8б.

Имеется тенденция к увеличению сигнала при увеличении температуры окружающего воздуха.

Сигнал датчика MLX y(Tk1) от температуры корпуса датчика и его доверительные интервалы: максимальный ymax и минимальный ymin, представлены на рисунке 4.8в. Наблюдается тенденция к уменьшению сигнала при увеличении влажности воздуха.

Сигнал датчика MLX y(Tpv) от температуры почвы и его доверительные интервалы: максимальный ymax и минимальный ymin, представлены на рисунке 4.8г.

Прослеживается тенденция к увеличению сигнала при увеличении температуры почвы.

Сигнал датчика MLX y(Wpv) от влажности почвы и его доверительные интервалы: максимальный ymax и минимальный ymin представлены на рисунке 4.8д.

Увеличение влажности почвы приводит к уменьшению сигнала.

Сигнал датчика MLX y(Wpv) от влажности почвы при изменении влажности воздуха в диапазоне от 40 – 50%, при средних значениях остальных факторов – Tv, Tk1, Tpv, Wpv. Данной влажности воздуха соответствуют тренды под номерами – 1, 2, 3, рисунок 4.8е. Начальное значение ИК сигнала увеличивается с увеличением влажности воздуха, но в целом стремится к снижению при увеличении влажности почвы.

а) температуры окружающего воздуха; б) влажности воздуха; в) температуры корпуса датчика;

г) температуры почвы; д) влажности почвы; е) влажности почвы при изменяющихся параметрах (1, 2, 3 – влажность воздуха 40, 45, 50%; 4, 5, 6 – температура воздуха 15, 20, 25 оС) Рисунок 4.8 – Регрессионные зависимости сигнала ИК датчика MLX Тренды с номерами – 4, 5, 6, рисунок 4.8е соответствуют сигналу датчика MLX от влажности почвы при изменении значений температуры воздуха в диапазоне от 15 – 25 оС при средних значениях остальных факторов – Wv, Tk1, Tpv, Wpv.

Начальное значение ИК сигнала увеличивается с увеличением температуры воздуха, но в целом стремится к снижению при увеличении влажности почвы.

Оценка значимости полученного уравнения множественной линейной регрессии.

Оценим качество уравнения регрессии (4.8) с помощью абсолютной и относительной ошибок аппроксимации [25, 11, 75].

Абсолютная погрешность.

где – влажность почвы, показания прибора для отдельного i-го измерения;

– теоретическое значение влажности почвы, рассчитанное по уравнению (4.6) множественной регрессии.

Относительная погрешность.

Погрешность измерения в данной работе определяется погрешностями используемой измерительной аппаратуры; погрешностью метода определения влажности почвы, а так же погрешностями от неучтенного влияния внешних факторов (фона) на условия проведения эксперимента.

Погрешность используемой измерительной аппаратуры.

Данная погрешность определяется совершенством используемой измерительной аппаратуры, в частности, измерителя температуры и влажности почвы TR – 46908 с погрешностью % (по паспорту), измерителя температуры и влажности воздуха ТКА ПКМ(52) с погрешностью % (по паспорту). Будем считать, что эти погрешности известны и подчинены нормальному закону распределения.

Погрешность метода определения влажности.

Данные погрешности априори не известны. Оценка этих погрешностей одна из частных задач при создании влагомера.

Погрешность от неучтенного влияния внешних факторов.

Погрешность метода предположительно зависит от внешних факторов, известных и неизвестных нам. К известным факторам мы относим температуру почвы, температуру и влажность воздуха. Эти факторы исследуются в этой работе. Предположительно на погрешность дополнительно могут влиять скорость ветра, время измерения (день, ночь), время прошедшее после последних осадков.

Эти факторы в данной работе не исследуются и выступают в качестве шумов.

Следует предположить, что погрешность содержит как систематические, так и случайные составляющие.

Систематическая погрешность.

Будем считать, что систематическая погрешность определяется конструкцией прибора, отдельными характеристиками поля и в наших экспериментах она является постоянной. Для снижения влияния систематической погрешности на анализ результатов экспериментов, мы используем переменную составляющую сигнала, рассчитываемую как:

где – полученное значение с прибора; – максимальное значение, полученное в эксперименте; – минимальное значение, полученное в эксперименте.

Случайная погрешность.

Это погрешности, изменяющиеся от измерения к измерению и не поддающиеся непосредственному учету вследствие их хаотического изменения, обусловленного одновременным воздействием на результат измерения ряда различных независимых друг от друга факторов. В нашей работе к таким факторам можно отнести температуру воздуха, скорость ветра, наличие солнечного излучения и т.д. При случайном изменении этих факторов и при многократных измерениях излучения почвы результаты могут отличаться друг от друга. При косвенных измерениях влажности почвы по ее излучению случайные погрешности неизбежны, т.к. они являются следствием вышеуказанных неуправляемых факторов. Для снижения случайных погрешностей необходимо измерение этих случайных факторов синхронно с процессом измерения излучения почвы. Помимо вышеуказанных факторов можно предположить, что имеются неизвестные факторы, влияющие на оценку влажности почвы. В результате действия этих неизвестных факторов, даже при учете влияния известных факторов, случайная ошибка будет иметь место.

В соответствии с методикой, изложенной в разделе 3.5 и по программе регрессии и оценка адекватности множественной регрессии (4.8).

Гистограмма, изображенная на рисунке 4.9, свидетельствует о нормальном распределении остатков большинство значений минимальным значением ошибки – 0. Расчетные аппроксимации находятся в пределах 5 – 7%, что свидетельствует о хорошем подборе уравнения тренда к исходным данным. Поскольку ошибка меньше 7%, то данное уравнение можно использовать в качестве тренда. Чтобы иметь общее суждение о качестве модели из относительных отклонений по каждому отклонение расчетных значений от фактических.

Так как 0,2% 10%, то качество построенной модели оценивается как хорошее. Сравним коэффициент корреляции уравнения регрессии 2-ой степени (rxy= – 0,359) с линейным коэффициент корреляции rxy= 0,773 уравнения (4.9).

Оба коэффициента находится в пределах:– 1 rxy 1.

На основании шкалы Чеддока [131] значение линейного коэффициента корреляции имеет высокую тесноту при прямой связи. Коэффициент детерминации r2 0,6, что говорит о среднем уровне подбора уравнения регрессии.

Результаты экспериментальных исследований сигнала излучения почвы в поле В соответствии с методикой, изложенной в 3 главе, была осуществлена серия полевых экспериментов, в которой определялась возможность определения влажности почвы в реальных условиях прибором «ИКВП – 01» в диапазоне 5,5 – 14мкм.

Рисунок 4.10 – Распределение физических показателей почвы в исследуемых точках 15,9 оС, а влажность минимальное реального поля: а) температуры почвы; б) влажности почвы до минимальной – плюс 10 С связано с увеличением максимальной – влажности почвы (100%).

На поле встречаются участки, влажность почвы которых настолько велика, что вода не поглощается и скапливается на поверхности. Это явление наблюдается в низинах и ямах. На рисунке 4.10б данные явления отображены максимальным пиком влажности и минимальным пиком температуры.

Была получена многофакторная регрессионная зависимость показаний ИК температуры «ИКВП – 01» от влажности почвы исследуемого поля Tsrp(Wpv), рисунок 4.11а.

Рисунок 4.11 – Регрессионные зависимости сигнала прибора «ИКВП – 01» от Из рисунка 4.11а) видно, что полученное уравнение регрессии (4.12) носит линейный характер и аналогично регрессии полученной при проведении лабораторных исследований. Спадающий тренд зависимости y(Wpv) объясняется снижением температуры почвы из-за увеличения влажности в отдельных точках.

Результаты экспериментальных исследований ИК излучения почвы в плодовом саду.

В соответствии с методикой, изложенной в 3 главе, была осуществлена серия экспериментов на территории опытного сада ОПО ВНИИС им.И.В.

Мичурина, в которой проводились измерения ИК излучения почвы в междурядьях сада прибором «ИКВП – 01» в диапазоне 5,5 – 14 мкм.

По результатам, представленным в таблице В.6, ПРИЛОЖЕНИЯ В, с применением пакета прикладных программ Mathcad [7, 73, 9, 41], построена многофакторная регрессионная зависимость сигнала прибора «ИКВП – 01» от влажности почвы и его доверительные интервалы максимальный ymax и минимальный ymin, рисунок 4.11б.

Уравнение данной зависимости имеет вид:

Анализируя рисунок 4.11а, можно отметить, что с увеличением влажности почвы ИК сигнал прибора «ИКВП – 01» уменьшается.

По параметрам моделей, полученным в лабораторном эксперименте (4.11), в поле (4.12) и саду (4.13), можно сделать вывод, что влажность почвы снижает сигнал прибора во всех случаях. Однако такие факторы и параметры, как температура воздуха, влажность воздуха и температура корпуса прибора неоднозначно влияют на величину сигнала прибора. Это связано с тем, что условия осуществления экспериментов были не одинаковы – часть не учитываемых факторов в данной модели изменялась от эксперимента к эксперименту. Поэтому данная многофакторная линейная модель не может быть принята для определения влажности по величине сигнала прибора. Величину сигнала необходимо корректировать применительно к условиям измерениям.

Нелинейная адаптация сигнала датчика нейронной сетью к условиям измерения В разделе 3.6 приведена методика обработки экспериментальных данных нелинейной адаптивной моделью влажности почвы на базе нейронной сети.

Обучение нейронной сети в условиях проведения эксперимента Для снижения погрешности измерения влажности по сигналам прибора целесообразно применить их корректировку нейронной сетью в зависимости от неуправляемых переменных – факторов и параметров. На рисунке 4. изображена схема нелинейной адаптации сигнала нейронной сетью.

Рисунок 4.12 – Схема нелинейной адаптации сигнала нейронной сетью «Obuchenie_NeiroVlagomer.m», ПРИЛОЖЕНИЕ Е.

Структура базы данных, используемой для работы сети, приведена в таблице 4.4.

Входами нейронной сети являются, прежде всего, сигналы, которые необходимо подвергнуть корректировке:

Y1 – сигнал фона ИК-излучения Tk1, снимаемый с корпуса датчика;

Y2 – сигнал ИК-почвы Tp1, снимаемый с чувствительного элемента датчика, а также неуправляемые переменные, влияющие на погрешность измерений по этим сигналам:

X1 – температура окружающего воздуха Tv, оС;

X2 – влажность окружающего воздуха Wv, %;

X3 – температура почвы Tpv, оС;

X4 – время анализа, час Mi – маркерный сигнал с i-ой точки поля, в которой измерения влажности производятся базовым (контрольным) методом.

Таблица 4.4 – Структура базы данных для работы нейронной сети Дополнительно входами нейронной сети могут быть: тип почвы, структура почвы, образовавшаяся в результате ее обработки, наличие растительности на ней и т.д. Выходом нейронной сети является влажность почвы Wp, %.

Обучение нейронной сети определяется вводом в нее целевого вектора T, являющегося результатом измерения влажности базовым методом, например – лабораторном эксперименте количество воды, добавленное в почву – Q1, а дополнительной 46908.

нейронной сети.

В результате расчета многофакторной модели нейронной сети были получены коэффициенты весов w для каждого нейрона и коэффициенты смещений b, таблица 4.5.

На рисунке 4.14 приведена регрессионная зависимость значений влажности по электрическому влагомеру TR - 46908 от скорректированных значений прибора «ИКВП – 01».

Таблица 4.5 – Полученные значения коэффициентов весов и смещений Рисунок 4.14 – Регрессионная зависимость значений влажности по электрическому влагомеру TR - 46908 от скорректированных значений прибора «ИКВП – 01»

Снижение погрешности измерения влажности путем корректировки сигнала прибора нейронной сетью по результатам ее обучения.

Для снижения ошибки измерения влажности путем корректировки сигнала «Opredelenie_NeiroVlagomer.m», ПРИЛОЖЕНИЕ Е1.

С целью определения эффективности корректировки сигнала прибора нейронной сетью, результаты полевых экспериментов в соответствии моделью (рисунок 4.12) были пропущены через нейронную сеть.

План оптимизации корректировки:

На вход нейронной модели (рисунок 4.12) подавали вектора с различной структурой, в соответствии с приведенной ниже таблицей:

Номер варианта Структура вектора на входе «Opredelenie_NeiroVlagomer.m», ПРИЛОЖЕНИЕ Е1, подавали результаты полевого эксперимента Wi в соответствии с таблицей В.5, ПРИЛОЖЕНИЯ В. В результате работы нейронной сети получали прогнозное (теоретическое, скорректированное) значение влажности Wti и ошибку аппроксимации исходных данных регрессией, рассчитываемой в нейронной сети:

где i =1, 2, …, N – номер строки матрицы эксперимента.

После корректировки всей входной матрицы рассчитывалось среднее значение ошибки:

Результаты расчета средней ошибки для всех экспериментов приведены в таблице 4.6.

Таблица 4.6 – Результаты расчета средней ошибки Графическая интерпретация, отсортированная по убыванию, приведена на рисунке 4.15.

Таким образом, при изменении структуры входного сигнала ошибка измерения влажности существенно изменяется. При подаче только одного сигнала Y1 – сигнал фона ИК излучения Tk1, снимаемый с корпуса датчика MLX, ошибка максимальна (19,2%), что указывает на неэффективность использования только одного этого сигнала для определения влажности.

Средняя ошибка-sr, % Рисунок 4.15 – Диаграмма средней ошибки в зависимости от структуры При подаче только одного сигнала Y2 – сигнал ИК почвы Tp1, снимаемый с чувствительного элемента датчика MLX, ошибка меньше (16,5%).

При подаче двух сигналов Y1 и Y2 ошибка снижается до 8,2%, что может быть приемлемо для практического использования в полевых условиях.

При добавлении сигнала X1 – температура окружающего воздуха Tv, ошибка снижается до 4,2%, а при добавлении X2 – влажность окружающего воздуха Wv – до 1,8%.

При добавлении сигнала X3 – температура почвы Tpv к перечисленным выше сигналам, ошибка составляет – 0,8%.

Полученные ошибки относятся к матрице результатов экспериментов, которая являлась одновременно обучающей и контрольной. В этом случае дисперсия контрольной матрицы и обучающей – одинаковы. В случае если контрольная матрица будет иметь другую дисперсию, т.е. будет получена в условиях отличных от условий получения обучающей матрицы, то ошибка может быть больше. Это может быть актуально в начале использования метода, когда обучающая матрица будет не велика.

Экспериментальная проверка в лабораторных условиях инфракрасных приемников для измерения влажности почвы показала, что в наибольшей степени для этой цели подходит датчик на основе селенида свинца в диапазоне 5,5 – 14,0 мкм, имеющего меньшую дисперсию и более простую конструкцию.

Лабораторные исследования факторной модели влажности почвы на основе инфракрасного излучения почвы показали значимую корреляционную связь между сигналом инфракрасного датчика и влажностью почвы, влияние на которую оказывают температура почвы и окружающего воздуха, влажность почвы и воздуха, температура корпуса прибора, наличие окружающих предметов.

Экспериментальная проверка факторной модели влажности почвы в поле подтвердила значимость факторов-условий измерения: температура почвы, температура и влажность окружающего воздуха, температура корпуса прибора, однако адекватность линейной множественной регрессии исследуемого сигнала прибора не подтвердилась.

Неадекватность линейной множественной модели влажности почвы предполагает отказ от применения традиционных статистических методов обработки сигнала пироэлектрического датчика в зависимости от влажности почвы на фоне неуправляемых факторов внешней среды (фона) и переход к нелинейной адаптивной модели сигнала датчика по влажности почвы на базе нейронной сети.

Тип сети – двухслойная прямой передачи, количество нейронов на входе – 10, ошибка обучения – 0,05%, количество циклов обучения – 12000.

В результате обучения нейронной сети и ее исследования на экспериментальной выборке по результатам полевого эксперимента получены следующие ошибки измерения влажности почвы:

максимальная – 19,2% при использовании только сигнала фона ИК излучения, снимаемого с корпуса датчика MLX;

8,2%, – фона ИК излучения с корпуса датчика и ИК излучения почвы с чувствительного элемента;

минимальная – 0,8% при использовании полного вектора сигналов:

фона ИК излучения с корпуса датчика, ИК излучения почвы с чувствительного элемента датчика, температуры окружающего воздуха, влажности окружающего воздуха и температуры почвы.

ГЛАВА 5. ТЕХНИКО-ЭКОНОМИЧЕСКАЯ ЭФФЕКТИВНОСТЬ

Технология использования инфракрасного влагомера почвы (ИКВП-01) в полевых условиях В технологиях точного земледелия определение влажности в поле является сложной операцией, которая должна быть выполнена в сжатые сроки и с максимальной точностью [133, 114, 88].

рисунок 5.1, измерения проводят, передвигаясь от одной точки к другой, и осуществляют:

лабораторию;

контактом датчика прибора в каждой точке (проникновение щупа);

бесконтактным способом.

сельскохозяйственных машин (CLAAS, John Deer, Case и др.) комплектуют свою технику навигационной системой GPS и всевозможными датчиками (сенсорные, оптические, влажности, урожайности и д.р.) [89, 143, 114, 137, 139].

позиционирования (GPS) в автоматизированных системах внесения минеральных удобрений.

Опираясь на опыт перехода зарубежных стран к точному земледелию [147, 136] и работы российских ученых, мы предлагаем две системы измерения влажности почвы на базе транспортного средства (квадроцикла и беспилотного летательного аппарата) с навесным оборудованием: бортового компьютера [95] и прибора «ИКВП-01», рисунок 5.2 и 5.3.

Система измерения влажности почвы на базе квадроцикла.

Основное преимущество такого агрегата – высокая проходимость по пахотным угодьям, легкая управляемость, мобильность, низкое давление на почву и высокая производительность работ.

1 – исследуемое поле или участок; 2 – транспортное средство (квадроцикл); 3 – прибор «ИКВП – 01»; 4 – точки измерения; 5 – бортовой компьютер; 6 GPS спутники; 7 – датчик температуры почвы; 8 – датчик температуры воздуха; 9 – датчик влажности воздуха; 10 – GSM оборудование оператора связи; 11 – сервер системы мониторинга; 12 – компьютер пользователя; 13 – карта влажности Рисунок 5.2 – Система измерения ИК сигнала для определения влажности почвы в полевых условиях с помощью квадроцикла Система измерения влажности почвы на базе беспилотного летательного аппарата (БПЛА).

Основное преимущество, как и в первом случае – легкая управляемость (режим «автопилот»), мобильность, возможность зависания, полное отсутствие давления на почву, экологичность и высокая производительность работ.

Основной недостаток – метеозависимость [94].

1 – исследуемое поле или участок; 2 – транспортное средство (БПЛА); 3 – прибор «ИКВП – 01»; 4 – точки измерения; 5 – бортовой компьютер; 6 GPS спутники; 7 – датчик температуры почвы; 8 – датчик температуры воздуха; 9 – датчик влажности воздуха; 10 – GSM оборудование оператора связи; 11 – сервер системы мониторинга; 12 – компьютер пользователя; 13 – карта влажности Рисунок 5.3 – Система измерения ИК сигнала для определения влажности почвы в При сотрудничестве с ООО НПП «ИЗМЕРОН-В» данная технология была принята для дальнейшей разработки, ПРИЛОЖЕНИЕ Ж.

Работа системы измерения влажности почвы.

Сигналы от навигационных спутников 6 и прибора «ИКВП – 01» поступают на бортовой компьютер 5. Встроенный в бортовой компьютер GPSприемник принимает сигналы от GPS-спутников и определяет текущие координаты, скорость и направление перемещения. Полученные координаты и ИК-сигнал сохраняются на встроенной карте памяти. Параллельно осуществляется передача информации в интернет-сеть с помощью GPRS-модуля, по заранее указанному электронному адресу. Эти данные поступают на сервер GPS-мониторинга 11. Пользователь (агроном, инженер), с помощью интернета и компьютера 12 получает возможность видеть местоположение, движение, направление и скорость транспортного средства, а так же доступ к управлению транспортом и результатам измерения в реальном времени [98, 88, 116].

Результативными данными являются:

почвенные карты 13, которые отображают информацию об ИК сигнале на определенном поле или участке, рисунок 5.4. Эта информация является основой для определения влажности в каждой точке поля [43, 135].

Рисунок 5.4 – Почвенная карта ИК сигнала поля, построенная по реальным посевных агрегатов и т.д.

Технологический процесс измерения влажности по ИК излучению Алгоритм технологического процесса измерения влажности прибором «ИКВП – 01» приведн на рисунке 5.5.

Технологический процесс состоит из трх этапов:

Подготовительные операции – включают следующие блоки:

Блок 1 – «выбор поля» – ознакомление с обследуемой территорией, а так же установление основных топографических закономерностей;

Блок 2 – «выбор участков поля для мониторинга влажности»;

Блок 8 – «определение маршрута» – маршрутный ход планируют обычно посередине вдоль длинной стороны. На квадратных или округлых частях петлеобразно или вблизи периферии контура с последующим заходом на его середину. Важно чтобы отбор проб отражал состояние почвенного плодородия на каждом элементарном участке;

Блок 9 – «навигационная система ГЛОНАС, GPS» – используется для определения координат (широта, долгота и высота) точек измерения;

Блок 10 – «скорость агрегата» – применяется для определения шага и дискретности измерений;

Блок 11 – «определение шага и дискретности измерений» – в зависимости от скорости движения агрегата и расстояния между точками измерения устанавливается интервал времени получения ИК сигнала;

Блок 3 – «выбор маркерных точек (im, jm)» – заключается в определении GPS данных и физических показателей точек в местах, наиболее зависящих от макро и микрорельефа местности (склоны, блюдца, бугорки, ложбинки и т.д.). Данные точки являются контрольными, с которыми в дальнейшем сравниваются остальные измерения;

Блок 17 – «определение влажности в маркерных точках (im, jm)» – проводят согласно ГОСТ 12071-2000 и ГОСТ 28268-69;

Рисунок 5.5 – Алгоритм технологического процесса измерения влажности подразумевает определение влажности в лабораторных или полевых условиях;

Блок 19 – «доверительные границы влажности по полю (Wmin, Wmax)» – определяются минимальные и максимальные значения влажности всего поля или отдельного участка.

Проход по маршруту – включает следующие блоки:

Блок 4 – «измерение влажности (прибор «ИКВП – 01») – прибор «ИКВП» – 01», установленный на транспортном средстве, регистрирует ИК излучение точек поля, связанные с GPS координатами и бортовым компьютером;

Блок 5 – «бортовой компьютер» – используется для приема GPS данных, информации с датчиков и отображения маршрута движения;

Блок 12 – «ИК излучение почвы» – проводится непосредственно при движении транспортного средства;

Блок 13 – «другие параметры поля» – данный блок позволяет учитывать структуру и тип почвы, наличие растительности и засоренности поля (участка) и др. параметры;

Блок 14 – «температура почвы, Tp» – содержит информацию о температуре почвы;

Блок 15 – «температура воздуха, Tv» – содержит информацию о температуре воздуха;

Блок 16 – «влажность воздуха, Wv» – содержит информацию о влажности воздуха;

«сервер предприятия» – компьютерное оборудование, позволяющее пользователю, с помощью интернета получить доступ к результатам измерений в реальном времени.

Обработка данных измерений – включает следующие блоки:

Блок 6 – «обучение» – используется для обучения модели нейронной сети по полученным данным поля;

Блок 7 – «корректировка сигнала прибора Iпр» – после обучения нейронной сети, проводится их обработка и корректировка;

Блок 20 – «расчет параметров модели влажности поля в нейросети»;

Блок 21 – «карты полей» – в данном блоке строятся и хранятся карты обследованных полей;

Блок 22 – «база данных влажности по полю» – является основной информацией, отражающей влажность в каждой точки поля;

Блок 23 – «пакет регрессионного анализа, пакет нейронной сети» – блок программного обеспечения;

Блок 24 – «результат W(i, j)» – полученный результат влажности по полю или участку.

Системность действий оператора в соответствии с блок-схемой заключается в выборе поля (1) и определении его участков (2) для проведения мониторинга влажности. При этом оцениваются формы рельефа, крутизна склонов, площади поражаемые эрозией и другие особенности имеющие значения для выделения элементарных участков.

На картографической основе, с помощью навигационной системы (9), в пределах каждого выделенного элементарного участка, прокладывают маршрутный ход (8). На основании скорости движения транспортного средства (10) определяют шаг и дискретность измерений (11).

Следующий шаг – выбор маркерных точек (3), в которых определяют влажность (17) переносными приборами или в лаборатории (18). Маркерные точки выбирают исходя из особенностей рельефа местности (склоны, ложбинки и др.) На основании полученных данных определяются минимальные и максимальные границы влажности по всему полю или отдельного участка (19).

После выполнения подготовительных операций переходят непосредственно к измерениям влажности (4). Транспортное средство с установленными датчиками проходит по заданному маршруту. Прибор «ИКВП – 01» (4) фиксирует ИК излучение почвы (12) и отправляет этот сигнал на бортовой компьютер (5).

Параллельно в бортовом компьютере фиксируются измерения, получаемые с датчиков температуры почвы (14), температуры воздуха (15) и влажности воздуха (16). В бортовом компьютере предусмотрены дополнительные каналы для измерения других параметров поля, таких как растительность, тип и структура почвы и др. (12). Вся информация, собранная в бортовом компьютере (5), сохраняется в базе данных влажности по полю (22) и с помощью встроенного GSM канала, поступает на «сервер предприятия», где пользователь получает доступ к результатам измерения в реальном времени.

После прохода транспортного средства по маршруту и получения данных, происходит процесс их обработки. Полученная информация с бортового компьютера (5) поступает на блок (8), где принимается решение, обучать модель нейронной сети по полученным данным или нет.

Если «Да» – обучение производить, информация, полученная бортовым компьютером, с датчиков и прибора «ИКВП – 01» поступает на блок (20), где на основании доверительных границ влажности по полю (19) проводится расчет параметров влажности поля в нейронной сети.

Если «Нет» – обучение не производить, данные непосредственно поступаю на блок (7). В этом блоке, исходя из расчетных параметров модели нейронной сети (20) и имеющейся базы данных (22) происходит корректировка сигнала прибора и сигналов датчиков. Полученный результат значений влажности (24) сохраняется в базе данных (22) и далее в бортовом компьютере, где с помощью программных пакетов (23) строятся карты полей (21) с нанесением расчетных значений влажности отдельных точек поля. Полученные результаты с помощью бортового компьютера отправляются на «сервер предприятия».

Эффективность применения прибора «ИКВП – 01»

Для расчета производительности предлагаемого нами прибора определения влажности почвы, сравним его с лабораторным методом высушивания и контактным электрическим влагомером TR – 40908.

Лабораторный метод высушивания.

Предположим, имеется 10 рядов по 20 точек в каждом, расстояние между точками в ряду м, расстояние между рядами м. По формуле (5.1) определим время передвижения оператора по всему полю, со скоростью V= км/ч.

где: – расстояние между точками в ряду; – расстояние между рядами; – скорость передвижения (км/ч); – общее количество точек в ряду; – количество рядов.

Время, необходимое оператору для определения влажности поля (200 точек) можно определить с помощью формулы (5.2).

где – общее время на измерение влажности почвы методом высушивания, мин; – время, затрачиваемое на подготовку оборудования, мин; – время взятия, измерения образца, мин; – время взвешивания и записи результата, мин;

– время сушки, мин; – время взвешивания и записи результата, мин; – количество точек измерения, шт; – время передвижения оператора по всему полю, мин.

Подставим в формулу (5.2) значения времени, которое необходимо Как правило, данный метод в технологии точного земледелия не применяется, так как существует сложность отбора большого количества образцов (200 точек) и их высушивание в лабораторных условиях. Полученные результаты сдвинуты во времени.

Экспресс метод с использованием электрического влагомера TR – 46908.

Время, затрачиваемое транспортным средством при установлении влажности поля (200 точек), определяется по формуле (5.2). Где: – время, затрачиваемое на подготовку прибора, мин; – время измерения, мин; – время записи результата мин; – время оцифровки результата, мин; – количество точек измерения, шт.

средством, при движении по всему полю. Пусть скорость движения по полю ограничена скоростью V=10 км/ч, а расстояние между точками S=2 м, получим Бесконтактный метод с использованием прибора «ИКВП – 01».

Известно, что при скорости движения транспортного средства V=10 км/ч, осуществляется без остановки транспортного средства.

Время, необходимое транспортному средству для определения влажности поля (200 точек) определим с помощью формулы (5.3).

время записи и передачи результата, мин; – время обработки результата и получение значений влажности, мин – количество измерений, шт; – время передвижения транспортного средства по всему полю, мин.

При использовании прибора «ИКВП – 01» для определения влажности почвы наблюдается сокращение времени на измерение в 21,5 раза, по сравнению с переносным электрическим влагомером TR – 46908.

Результаты данных исследований подтверждены актом внедрения научной разработки, ПРИЛОЖЕНИЕ Ж.

Совершенствование конструкции прибора «ИКВП – 01»

Для повышения точности при проведении измерений влажности почвы в полевых условиях, предлагаем доработать существующий прибор «ИКВП – 01», который конструктивно был изготовлен для проведения экспериментов в лабораторных условиях.

Так как использование прибора предполагается в тяжелых полевых условиях, основные изменения коснулись корпуса. Его измененная схема представлена на рисунке 5.6.

Прибор включает в себя два датчика Д1 и Д2. Датчик Д1 направлен в сторону, противоположную датчику Д2 и измеряет сигнал Y1 – фонового излучения, датчик Д2 обращен на почву и измеряет сигнал Y2 – ИКсигнал почвы. Тем самым формируется два канала поступающей информации. Помимо всего прочего в конструкции предусмотрен защитный 1 – корпус прибора; 2 – защитный козырек 2, защищающий оптическую линзу 3 от механических повреждений, почвы до датчика «ИКВП – 01»

Обоснование экономической целесообразности инвестиционного проекта включает определение его экономической эффективности, реализуемости и наджности. Различают эффективность проекта в целом и эффективность участия в проекте [63, 65].

Эффективность проекта включает в себя общественную (социальноэкономическую) эффективность и коммерческую (общую экономическую) эффективность. С е помощью оценивается привлекательность проекта для возможных его участников и осуществляется поиск инвесторов.

Общественная (социально-экономическая) эффективность учитывает социально - экономические последствия осуществления инвестиционного проекта для общества в целом. Она включает не только непосредственные результаты и затраты проекта, но и «внешние» затраты и результаты в смежных секторах экономики, экологические, социальные и иные внеэкономические эффекты.

Коммерческая (общая экономическая) эффективность инвестиционного проекта учитывает финансовые последствия для его участника при условии, что он производит все необходимые для реализации проекта затраты из собственных средств и пользуется всеми его результатами [40, 121].

В нашем случае экономическая эффективность инвестиционного проекта состоит в определении экономии на текущих издержках при использовании (сопоставлении) контактного электрического влагомера почвы – «TR46908»

(базовый вариант) и бесконтактного влагомера почвы – «ИКВП – 01» (новый вариант). К текущим издержкам при эксплуатации оборудования можно отнести:

амортизационные отчисления, затраты на текущий ремонт, оплату труда основных работников, отчисления на социальные нужды.

представлены в таблице 5.1.

оборудования Оплата труда оператора с учетом отчислений на социальные нужды Размер экономии материально-денежных затрат Из таблицы 5.1 видно, что срок службы нового оборудования (прибор «ИКВП – 01») в два раза превышает базовый вариант (10 лет по сравнению с годами использования). Однако проектная стоимость оборудования составляет 250 тыс. руб., что на 67% выше базового показателя. В связи с более продолжительной эксплуатацией нового образца стоимость амортизационных отчислений и затрат на текущий ремонт снизились при эксплуатации нового образца на 55%. При этом производительность нового оборудования в 10 раз превышает базовый вариант, время работы сокращается с 1041,7 до 104,2 часов.

оборудования и экономия издержек на заработной плате с 135,4 до 13,5 тыс.руб.

Общий размер экономии материально денежных затрат (в нашем случае экономический эффект от внедрения проекта) составит 167,7 тыс. руб.

В таблице 5.2 приведены показатели эффективности и реализуемости инвестиционного проекта.

Таблица 5.2 – Расчет показателей коммерческой (общей экономической) эффективности и реализуемости инвестиционного проекта Размер капитальных вложений с учетом дисконтирования Чистая дисконтированная стоимость проекта Из таблицы 5.2 видно, что срок инвестиционного проекта составляет 1, года при индексе рентабельности по второму году внедрения проекта в размере 26,3%, при этом чистая дисконтированная стоимость проекта составляет 54,9 тыс.

руб. При определении ожидаемого эффекта мы приняли во внимание уровень инфляции в размере 6%, т.е. во второй год внедрения проекта размер экономии текущих издержек составил 177,8 тыс. руб., что на 6% выше уровня первого года.

Уровень дисконта составил 20%.

Графическое определение срока окупаемости прибора «ИКВП – 01»

представлено на рисунке 5.7.

Рисунок 5.7 – Графическое определение срока окупаемости прибора Данный проект является очень надежным, о чем свидетельствует внутренняя норма доходности в 116%, т.е. даже в случае значительного увеличения процентов по кредиту, проект будет эффективным.

Разработанный прибор для определения влажности почвы позволяет сократить время на измерение в 21,5 раза, по сравнению с переносным электрическим влагомером.

Технология применения прибора должна включать в себя:

измерение ИК температуры почвы данной точки;

измерение ИК температуры корпуса прибора;

измерение температуры и влажности почвы;

измерение температуры и влажности воздуха;

обработка указанных сигналов в нейронной сети, обученной на результатах тестовых измерений на полях с разной структурой и типом почвы;

перемещение прибора по заранее намеченному маршруту по GPS координатам;

передача полученной информации по GPRS, GSM – каналам в базу данных предприятия для выработки решения.

Анализ экономических показателей выявил годовой экономический эффект в размере 167,7 тысяч рублей, а срок окупаемости – 1,5 года, что позволяет рекомендовать разработанное оборудование и процесс обработки данных как в большие, так и средние по объму производства хозяйства.

ВЫВОДЫ И ПРЕДЛОЖЕНИЯ

Анализ методов и приборов измерения влажности почвы показал, что в связи с совершенствованием технологических процессов производства сельскохозяйственной продукции, систем точного земледелия, управления оросительными системами появляется необходимость в измерении влажности в режиме реального времени – на каждом участке поля в процессе выполнения сельскохозяйственных работ и при их проектировании. Для осуществления оперативных измерений влажности наиболее эффективно применение бесконтактных методов, основанных на измерении электромагнитного излучения почвы. В диапазоне длин волн менее 3 мкм присутствует отраженное и рассеянное солнечное излучение. Собственное излучение земли приходится на диапазон от 4 до 40,0 мкм с максимумом 10 мкм. В промышленности освоен выпуск инфракрасных пироэлектрических датчиков, что предполагает возможность измерения собственного излучения почвы в диапазоне от 5,5 до 14,0 мкм.

В соответствии с законом Стефана-Больцмана собственное излучение почвы зависит от температуры почвы и температуры элементов окружающего е фона. Выявлена возможность определения влажности почвы по ее собственному излучению в оптическом диапазоне 5,5 – 14,0 мкм и создана нелинейная адаптивная модель измерения влажности в изменяющихся полевых условиях по температуре и влажности воздуха и температуре почвы. Излучающая способность почвы линейно зависит от количества находящейся в ней влаги, при этом прямое выделение в указанном диапазоне 5,5 – 14,0 мкм сигнала от влажности затруднено в связи с шумами от самой почвы и окружающего е фона.

Разработан и экспериментально исследован прибор для измерения пироэлектрического датчика, для измерения прямого излучения почвы и излучения фона в оптическом диапазоне 5,5 – 14,0 мкм, и схема накопления данных. Прибор испытан в лабораторных и полевых условиях.

Предложена факторная линейная модель влажности почвы, включающая в себя: температуру почвы; влажность и температуру воздуха.

Экспериментальные исследования показали значимую корреляционную связь между сигналом датчика и факторами: температура почвы и окружающего воздуха, влажность почвы и воздуха, температура корпуса прибора, наличие окружающих предметов.

Предложена и экспериментально исследована в полевых условиях нелинейная адаптивная модель сигнала датчика влажности почвы на базе нейронной сети на фоне неуправляемых факторов внешней среды (фона). Модель предусматривает этап обучения (нахождения коэффициентов) по специальной базе данных, получаемой в процессе предварительного эксперимента или ранее проведенных измерений влажности на других участках и при других условиях.

Тип сети – двухслойная прямой передачи, количество нейронов на входе – 10, ошибка обучения – 0,05%, количество циклов обучения – 12000.

Для повышения метрологических свойств прибора используется нейронная сеть прямой передачи. Входами данной сети являются – сигнал прибора, температура корпуса прибора, температура и влажность воздуха и температура почвы, выходом – влажность почвы. Ошибка измерения влажности зависит от структуры обучающего вектора:

8,2%, – фона ИК излучения с корпуса датчика и ИК излучения почвы снимаемого с чувствительного элемента;

минимальная 0,8% – при использовании полного вектора сигналов:

фона ИК излучения с корпуса датчика, ИК излучения почвы с чувствительного элемента датчика, температуры окружающего воздуха, влажности окружающего воздуха и температуры почвы.

Предложена схема технологии использования прибора измерения влажности почвы в полевых условиях, включающая в себя:

измерение излучения почвы данной точки;

измерение температуры и влажности (обучение) почвы и воздуха, измерение температуры корпуса прибора;

измерение температуры и влажности воздуха;

обработка указанных сигналов в нейронной сети, обученной на результатах тестовых измерений на полях с разной структурой и типом почвы;

перемещение прибора по заранее намеченному маршруту по GPS координатам;

передача полученной информации по GPRS, GSM – каналам в базу данных предприятия для выработки решения.

Прибор для определения влажности почвы сокращает время на измерение в 21,5 раза, по сравнению с переносными электрическими влагомерами. При использовании прибора годовая экономия денежных средств составляет 167,7 тыс. руб., а срок окупаемости – 1,5 года.

В дальнейшей перспективе научных исследований необходимо уделить внимание совершенствованию конструкции прибора «ИКВП – 01» и технологии бесконтактного измерения влажности почвы.

ПРИМЕНЯЕМАЯ ТЕРМИНОЛОГИЯ

Терминология инфракрасной техники не является еще установившейся. Она основана на терминах, принятых в физической оптике, светотехнике и приборостроении. В таблице Т.1 приведены термины, соответствующие определения и обозначения величин, характеризующих инфракрасное излучение и применяемых в инфракрасной технике. Данная терминология установлена Комитетом научно-технической терминологии, иностранные термины на английском, немецком и французском языках согласованы с Международным светотехническим словарем [52].

применяющиеся в инфракрасной технике Оптическое излучение Электромагнитное излучение с длинами волн, Optische Strahlung Optique radiation излучение Оптическое излучение, характеризующееся Visible radiation Strahtung Инфракрасное излучение Infrared radiation Radiacion infrarouge Тепловое излучение Thermal radiation Temperatur Strahlung Thermorayonnance Оптический Optische Spectrum Optique spectre Длина волны Wavelength Wellenlange Longueur d,onde Поток излучения (лучистый поток) Radiant flux Strahlungsf luss Flux energetique излучения (лучистая энергия) Энергия, переносимая электромагнитным Quantity of radiant Strahlungsmenge Quantited energie rayonnaute Плотность излучения Radiant emittance Spezifische Ausstrahlung Emittance energetique Пропускание Transmission Transmission Поглощение среду в результате взаимодействия его со Absorption Отражение двух сред с различными коэффициентами Reflection Коэффициент пропускания Transmission Transmissionsgrad Facteur de transmission Коэффициент поглощения Absorption factor d absorption Коэффициент отражения Reflexionsgrad Коэффициент ослабления Extinction Extinktionsmodul Coefficient d,absorption Абсолютно черное тело Schwarzer Strahler Corps noir Серое тело Grey body Corps gris Коэффициент излучения Отношение яркости данного источника к thermal radiator Emissionsgrad Приемник излучения Receptor of radiation Radiation recepteur Фотоэлемент Photocell photoelectrique Болометр проявляется в изменении электрического Bolometer Оптический Optischer filter Filtre optique

ЛИТЕРАТУРА

Авраменко, В.Н. Инфракрасные спектры пищевых продуктов [Текст] / В.Н. Авраменко, М.П. Ельсон, А.А. Заика // Под общей редакцией проф., д-ра техн. наук В.Д.Попова. Изд-во «Пищевая промышленность», 1974г. – 175с.

Барский, А.Б. Нейронные сети: распознавание, управление, принятие решений. [Текст] / А.Б. Барский. – М.: Финансы и статистика, 2004.-176 с.: ил.Прикладные информационные технологии).

Бензарь, В.К. Техника СВЧ влагометрии [Текст] / В.К. Бензарь. – Минск.: Высшая школа., 1974г. – 352с.

Берлинер, М.А. Измерение влажности.[Текст] / М.А. Берлинер. – М.:

Энергия, 1973 г.

Брамсон, М.А. Инфракрасное излучение нагретых тел. [Текст] / М.А.

Брамсон. – М.: Наука, 1964.

Вавилов, В.П. Инфракрасная термографическая диагностика в строительстве и энергетике [Текст] / Вавилов В.П., Александров А.Н. – М.: НТФ «Энергопрогресс» 2003, – 76 с.; ил.

Васильев, А.Н. Mathcad на примерах [Текст] / А.Н. Васильев. – СПб.:

БХВ-Петербург, 2006. – 528с.: ил.

Виноградов, Б.В. Космические методы изучения природной среды.

[Текст] / Б.В. Виноградов. – М.: Мысль, 1978 - 287 с.

Воскобойников, Ю. Программирование и решение задач в пакете MathCad [Текст] / Ю. Воскобойников, В.Ф. Очков – Новосибирск: НГСАУ, 2002г.

Гаврилова, Т.А. Базы знаний интеллектуальных систем: Учебное пособие / Г.А. Гаврилова, В.Ф. Хорошевский.- СПб: Питер, 2001. – 382 с.

Гайдышев, И. Анализ и обработка данных: специальный справочник [Текст] / И. Гайдышев – СПб.: Питер, 2001. – 752 с.

Галушкин, А.И. Нейрокомпьютеры. [Текст] / А.И. Галушкин // М.:

ИПРЖР, 2000. – 532 с.

Галушкин, А.И. Теория нейронных сетей. Кн. 1.[Текст] : Учеб.

пособие для вузов / Общая ред. А.И. Галушкина. – М.: ИПРЖР, 2000. – 416 с.: ил.

(Нейронные компьютеры и их применение).

Гордеев, А.С. Использование солнечной энергии в технологии обработки плодов лазерным излучнием [Текст] / А.С.Гордеев, В.П. Менщиков, М.А. Щукралиев / Высокие технологии энергосбережения: Труды международной школы-конференции. – Воронеж.: Издательский дом «Кварта», 2005. – 188с.

повышения качества плодов [Текст] / А.С.Гордеев, В.П. Менщиков // Тезисы международной конференции «Применение лазеров в медицине и биологии». – Харьков, 2007.

Гордеев, А.С. Оптический метод контроля качества плодов [Текст] / А.С.Гордеев, О.Н. Будаговская // Краткие тезисы докладов Всесоюзной конференции молодых ученых. – Мичуринск, 1982.

ГОСТ 12071-2000. Грунты. Отбор, упаковка, транспортирование и хранение образцов. – Взамен ГОСТ 12071-84; введ. 2001-07-01. – М.:

Стандартинформ, 2001.

ГОСТ 17.4.3.01-83. Охрана природы. Почвы. Общие требования к отбору проб [Текст]. – Введен 1984-07-01, переизд. 2008-04-01 – М.:

Стандартинформ, 2008.

ГОСТ 17.4.4.02-84. Охрана природы. Почвы. Методы отбора и подготовки проб для химического, бактериологического, гельминтологического анализа [Текст]. – Введен 1986-01-01, переизд. 2008-08-01 – М.: Стандартинформ, 2008.

ГОСТ 17310-2002. Газы. Пикнометрический метод определения плотности [Текст]. – Взамен ГОСТ 17310-86; введ. 2004-01-01. – Минск: Межгос.

совет по стандартизации, метрологии и сертификации; М.: Издат-во стандартов, 2004.

плотности и влажности. – Взамен ГОСТ 23061-78 и ГОСТ 24181-80; введ. 90-09М.: Издат-во стандартов, 1990.

характеристик набухания и усадки [Текст]. – Введ. 1981-01-01. – М.: Издат-во стандартов, 1981.

максимальной гигроскопической влажности и влажности устойчивого завядания растений [Текст]. – Введ. 1990-06-01; переиздание 2005г. – М.: Изд-во стандартов, 2005.

физических характеристик [Текст]. – Введ. 1985-07-01. – М.: Изд-во стандартов, 1985.

ГОСТ Р 50779.21-96. Статистические методы. Правила определения и методы расчета статистических характеристик по выборочным данным. Часть 1.

Нормальное распределение.- М.: Изд-во стандартов, 1996.

Гришин, И.И. Измерение массовой доли протеина в воздушно-сухих смесях с помощью электромагнитного поля [Текст] / И.И. Гришин, Э.В.

Клейменов, Е.А. Данилочкина // Техника в сельском хозяйстве, 2009. – №6. – С.

31 – 33.

дисперсную систему [Текст] / И.И. Гришин, Э.В. Клейменов, Е.А. Данилочкина, И.И. Тришкина // Техника в сельском хозяйстве. – 2007. – №5. – С. 29 – 32.

электромагнитного поля [Текст] / И.И. Гришин, Э.В. Клейменов, Е.А.

Данилочкина // Техника в сельском хозяйстве. – 2010. – №5. – С. 13 – 15.

Данилин, А.И. Совершенствование методов определения влажности почвогрунтов. [Текст]: Аналитический обзор / А.И. Данилин. – М.:1988 г. №5.

Данилин, А.И. Способ измерения влажности почвогрунтов на основе газопроницаемости // Геофизические и изотопные методы исследования в гидрогеологии и инженерной геологии. [Текст] / А.И. Данилин. – Сб. тр. – 1975. с.

162-166.

Данилочкина, Е.А. Разработка устройства и технологии определения протеина в кормах высокочастотным методом. [Текст]: дис. … к. т. наук: 05.20. / Е.А. Данилочкина.: Рязань 2012.

Джемисон, Дж. Э. Физика и техника инфракрасного излучения.

[Текст] / Дж. Э. Джемисон. – М.: Сов.радио, 1965.

Доспехов, Б.А. Методика полевого опыта (с основами статистической обработки результатов исследований) [Текст] / Б.А. Доспехов., 5-ое изд., доп. и перераб. – М.: Агропромиздат, 1985. – 351с., ил.

Драгун, В.Л. Тепловизионные системы в исследовании тепловых процессов. [Текст] / В.Л. Драгун. – М.: Наука, 1967. – 256 с.

Дроздов, В.Г. Автоматический контроль влажности льнотресты методом ИК спектрометрии [Текст] / В.Г. Дроздов, А.А. Катков, А.С. Ефремов // Вестник ВНИИЖ 2007. – №3. – С. 109.

исследованиях [Текст] / Ю.В. Егоров. – Издательство Московского университета:

1990г.

Завражнов, А.И. Современные проблемы науки и производства в агроинженерии [Текст] // Учебник / Под. ред. А.И. Завражнова. – СПб.:

Издательство «Лань», 2013. – 496с., ил.

мониторинга почвенного покрова. [Текст] / Ю.Н. Зборщук. – М.: Изд-во МГУ, 1992. – 86с.

Ивченко, О.А. Разработка радиоволнового метода определения гидрофизических свойств почв [Текст] дис. … физ-мат. наук: 01.04.01 / Ивченко Олеся Анатольевна. Омский государственный педагогический университет, Омск, 2007г.

«Экономистъ», 2005. – 478с.

Каганов, В. Компьютерные вычисления в средах Excel и MathCAD [Текст] / В.Каганов – М.: Горячая линия – Телеком, 2003г.

Каллан, Р. Основные концепции нейронных сетей [Текст] / Роберт Калан; Пер. с англ.- М.: Издательский дом «Вильямс», 2001- с. ил.- Парал. тит.

англ.

Кирюшин, В.И. Теория адаптивно-ландшафтного земледелия и проектирование агроландшафтов [Текст] / В.И Кирюшин – М.: КолосС, 2011г. – 443с.

исследований: Учеб. для студ. высш. учеб. заведений. [Текст] / Ю.Ф. Книжников, В.И. Кравцова, О.В. Тутубалина. – М.: Издательский центр «Академия», 2004. – 336с.

Ковриго, В.П. Почвоведение с основами геологии: Учеб. пособие.

[Текст] / В.П. Ковриго, И.С. Кауричев, Л.М. Бурлакова. – М.: Колос, 2000 – 416 с.:

ил.

Комашинский, В.И. Нейронные сети и их применение в системах управления и связи [Текст] / В.И. Комашинский, Д.А. Смирнов // М.: Горячая линия – Телеком, 2003.-94 с.

Кононюк, А.Е. Основы научных исследований (общая теория эксперимента) [Текст] // монография / А.Е. Кононюк. – К.: 2012. – 508с.

Корн, Г. Справочник по математике: определения, теоремы, формулы:

для научн. работников и инженеров [Текст] / Г. Корн, Т. Корн; пер. с англ. И.Г.

Арамановича [ и др.]; под общ. ред. И.Г. Арамановича. - М.: Наука, 1978. – 832 с.

Коротаев, В.В. Основы тепловидения [Текст] / В.В. Коротаев, Г.С.

Мельников, С.В. Михеев, В.М. Самков, Ю.И. Солдатов. – СПб: НИУ ИТМО, – 122 с.

Кравцова, В.И. Космические методы исследования почв: Учеб.

пособие. [Текст] / В.И. Кравцова. – М.: Аспект Пресс, 2005. – 190 с.

Кривальцев, С.В. Дистанционное зондирование деградированных почв [Текст] // автореф. дис. … физ.-мат.наук: 25.00.35 / Кривальцев Сергей Викторович. – Омск, 2005.

Криксунов, Л.З. Справочник по основам инфракрасной техники.

[Текст] / Л.З. Криксунов. – М.: Сов. радио. 1978. – 400 с., ил.

Криксунов, Л.З. Тепловизоры. [Текст] / Л.З. Криксунов. – Киев.:

Техника,1987. – 287 с.

материалов [Текст] / Е.С. Кричевский, А.Г. Волченко. – М.: Энергоатомиздат, 1980г. – 165с.

Круглов, В.В. Искусственные нейронные сети. Теория и практика [Текст] / В.В. Круглов, В.В. Борисов ; 2-е изд. // стереотип.-М.: Горячая линия Телеком, 2002.-382 с.: ил.

Львовский, Е.Н. Статистические методы построения эмпирических формул: Учеб. пособие для вузов. – 2-е изд., перераб. и доп. [Текст] / Е.Н.

Львовский. – М.: Высш. шк., 1988. – 239с.: ил.

Лю, Б. Теория и практика неопределнного программирования [Текст] / Б.Лю; Пер. с англ.- М.: Бином. Лаборатория знаний, 2005.- 416 с.: ил.Адаптивные и интелектуальные системы).

Мамаева, М.А. Определение запасов влаги в почве дистанционными методами зондирования. [Текст]: дис.... к. ф-м. наук: 25.00.30 / М.А. Мамаева.:

Санкт-Петербург, 2004.

Математический портал [Электронный ресурс] / Режим доступа:

http://matlab.exponenta.ru/neuralnetwork.

Медведев, В.С. Нейронные сети. MATLAB 6 [Текст] / В.С. Медведев, В.Г. Потмкин ; под общ. ред. к.т.н. В.Г. Потмкина. - М.: ДИАЛОГ- МИФИ, 2002.-496с.-(Пакеты прикладных программ; Кн.4).

Мельников, С.В. Планирование эксперимента в исследованиях сельскохозяйственных процессов [Текст] / С.В. Мельников, В.Р. Алешкин, Рощин П.М.-Л.:Колос,1972-302с.

Методика выбора и оценки земельных участков под закладку промышленных насаждений плодовых и ягодных культур: (рекомендации) / Под ред. Ю.В. Трунова [Ю.В. Трунов, М.В. Придорогин, А.В. Соловьев, Н.П.

Юмашев]. – Воронеж: «Кварта», 2012. – 40с.

Методика определения экономической эффективности технологий и сельскохозяйственной техники – М.: Минсельхозпром России, 1998г. – 200с. Методические указания по проведению комплексного мониторинга плодородия почв земель сельскохозяйственного назначения, – М.: ФГНУ «Росинформагротех» 2003г. – 240с.

Минаков, И.А. Экономика сельскохозяйственного предприятия [Текст] / И.А. Минаков, Л.А. Сабетова, Н.И. Куликов и др.; Под ред. И.А.

Минакова. – М.: Колос, 2003. – 528с.

Мишев, Д. Дистанционные исследования Земли из космоса. [Текст] / Д. Мишев. – М., 1985.

влажности [Текст] / М. Мухитдинов, Э.С. Мусаев – М.: «Энергоатомиздат», 1986.

– 96 с: ил.

Насыров, Д.К. Динамика запасов продуктивной влаги черноземов южных в полевых севооборотах засушливой степи Оренбургского Предуралья [Текст]: дис.... канд. с.-х. наук : 06.01.01 / Насыров Дмитрий Камилович. б.м.:

Оренбург, 2005. – 214 с. РГБ ОД, 61:05-6/579.

Невзоров, А. В. Техническая модернизация каналов лазерного зондирования сибирской лидарной станции [Текст]: дис.... канд. техн. наук :

01.04.05 / Невзоров Алексей Викторович. б.м.: Томск, 2005. – 128 c. РГБ ОД, 61:05-5/2252.

Обиралов, А.И. Фотограмметрия и дистанционное зондирование:

Учеб. пособие. [Текст] / А.И. Обиралов, А.Н. Лимонов, Л.А. Гаврилова. – М.:

КолосС, 2006. – 334 с.

Осовский, С. Нейронные сети для обработки информации [Текст] / С.

Осовский; Пер. с польского И.Д. Рудинского.- М.: Финансы и статистика, 2002.с.: ил.

ОСТ 56-81-84 Полевые исследования почвы. Порядок и способы проведения работ, основные требования к результатам [Текст]. – Утв. приказом Гослесхоза СССР от 12 октября 1984 г. N Очков, В.Ф. Mathcad 14 для студентов, инженеров и конструкторов [Текст] / В.Ф. Очков // БХВ - Петербург, 2007.

Пасынков, Л.К. Чиркин. – М.: Высшая школа,1981. – 476 с.

Пинчук, С.И. Организация эксперимента при моделировании и оптимизации технических систем [Текст] / С.И. Пинчук. – Днепропетровск: ООО Независимая издательская организация «Дива», 2008. – 248 с.

http://www.teren.ru/. – 30.01.2013г.

Попов, А.Н. Инфракрасная экспресс диагностика заболевания мастита у коров [Текст] / А.Н. Попов // Инновационные технологии и технические средства для АПК: Материалы всероссийской научно-практической конференции молодых ученых и специалистов, посвященные 100-летию Воронежского государственного аграрного университета им. императора Петра I. 28 – 29 ноября 2011г.(IV часть): Изд-во,. – г. Воронеж: ФГБОУ ВПО ВГАУ, 2011. – С. 187 – 188.

Попов, А.Н. Контроль влажности почвы инфракрасным методом [Текст] / А.Н. Попов // Актуальные проблемы энергетики АПК. сб. научн. тр, III Международная науч. практ. конф. / Под ред. А.В. Павлова. – Саратов:

Издательство «Кубик», 2012. – С. 201-204.

Попов, А.Н. Методы обработки ИК-изображений тепловизионных приборов [Текст] / А.Н. Попов // Материалы 63-й науч. практ. конф. студентов и аспирантов (II раздел) сб. научн. тр. / Под ред. В.А. Солопова, Н.И. Грекова и др.

– Мичуринск: Изд-во Мичуринского госагроуниверситета, 2011. – С. 106 – 111.

определении влажности почвы инфракрасным методом [Текст] / А.Н. Попов, А.С.

Гордеев // Материалы 64-й науч. практ. конф. студентов и аспирантов 27 – марта 2012г. (I раздел) сб. научн. тр. / Под ред. В.А. Солопова, Н.И. Грекова и др.

– Мичуринск: Изд-во Мичуринского госагроуниверситета, 2011. – С. 74 – 77.

Попов, А.Н. Разработка бесконтактного инфракрасного влагомера для почвы [Текст] / А.Н. Попов, С.Е.Товкач // Актуальные проблемы энергетики АПК.

сб. научн. тр, Международная науч. практ. конф. / Под ред. А.В. Павлова. – Саратов: Издательство «Кубик», 2010. – С. 277-280.

Попов, А.Н. Устройство бесконтактного измерения инфракрасной температуры для определения влажности почвы [Текст] / А.Н. Попов, А.С.

Гордеев // Вестник Мичуринского государственного аграрного университета, 2013. – №1. – С.66.

инфракрасных сигналов почвы различной влажности [Текст] / А.Н. Попов // Моделирование энергоинформационных процессов. сб. научн. тр, I Международная науч. практ. интернет. конф. 10 – 15 декабря 2012г: Изд-во,. – г.

Воронеж. гос. ун-т. инж. технол. – Воронеж: ВГУИТ, 2013. – С. 159 – 160.

инфракрасных сигналов почвы различной влажности [Текст] / А.Н. Попов, А.С.

Гордеев // Вестник Воронежского государственного университета инженерных технологий, 2013. – №4. – С. 91 – 94.

Придорогин, М.В. Влияние террасирования пологих склонов на продуктивность деревьев яблони [Текст] / М.В. Придорогин // Садоводство и виноградарство, 2013. – №1. – С.36 – 39.

Придорогин, М.В. Происхождение террасирования междурядий на пологих склонах и его влияние на распределение корней деревьев яблони в почве [Текст] / М.В. Придорогин // Садоводство и виноградарство, 2012. – №6. – С.35 – 39.

Роде, А.А. Основы учения о почвенной влаге. Том 1: Водные свойства Гидрометеорологическое издательство Ленинград 1965.

Рубцова, С.А. Аэрокосмические средства для точного земледелия [Текст] / С.А. Рубцова, И.Н. Голованев, А.Н. Каштанов // под ред.академика РАСХН А.Н. Каштанова – М.:., 2008 – 330с., ил., табл. (про гис точн землед заруб опыт).

Рунов, Б.А. Мировой опыт применения точного (ориентированного) сельского хозяйства (ТСХ). [Текст] / Б.А. Рунов академик РАСХН – Сб.науч.

докл. междунар. науч.-практ. конф. «Земледельч.механика в растениеводстве». – М, 2001; Т. 1, - С. 199- Рутковская, Д. Нейронные сети, генетические алгоритмы и нечткие системы. [Текст] / Д. Рутковская, М. Пилиньский, Л. Рутковский ; Пер. с польск.

И.Д. Рудинского.- М.: Горячая линия - Телеком, 2006.- 452 с.: ил.

Сайт фирмы «EXPONENTA» [Электронный ресурс] / Режим доступа:

http://www.exponenta.ru//Mathcad – 27.07.2013.

Сайт фирмы «Internetua » [Электронный ресурс] / Режим доступа http://internetua.tv/index.php/publications/531-the-importance-of-diagnostic-devices-ofthe-soil-for-growing-crops.html – 10.09. Сайт фирмы «SAT INFRARED» [Электронный ресурс] / Режим доступа: http://www.sat-infrared.ru – 17.04.2013.

Сайт фирмы «Unmanned. Беспилотные системы» [Электронный ресурс] / Режим доступа http://www.unmanned.ru/uav/seraphim.htm – 20.01.14г.

Сайт фирмы «АвтоПульс» [Электронный ресурс] / Режим доступа http://www.autopulse.ru/item 10075.htm – 07.08.13г.

Сайт фирмы «Агросервис» [Электронный ресурс] / Режим доступа http://www.agroserver.ru/b/vlagomer-termometr-pochvy-tr-46908-so-shhupomhtm – 11.02.13г.

http://agrophys.ru/mobile_compl#mob_comp1 – 11.09.13г.

Сайт фирмы «Геонет» [Электронный ресурс] / Режим доступа http://www.geonet.kz – 12.02.13г.

Сайт фирмы «Гоу-радио» (Россия) [Электронный ресурс] режим доступа: http://www.go-radio.ru/. – 20.10.2012г.

100. Сайт фирмы «Детект – Уфо» [Электронный ресурс] / Режим доступа http://www.вdetect-ufo.narod.ru – 29.09.13г.

101. Сайт фирмы «КБО – АГРО» [Электронный ресурс] / Режим доступа http://kbo-agro.com.ua/read/veris-3100-dlja-izmerenieelektroprovodno?submenu=1707106531 – 10.09.13г.

102. Сайт фирмы «Компоненты и технологии» [Электронный ресурс] / Режим доступа http://www.kit-e.ru/articles/led/2003-02-18.php – 12.02.13г.

103. Сайт фирмы «Кроссс – Информ» [Электронный ресурс] / Режим доступа http://cross-inform.at.ua/index/kontrol_vlazhnosti_pochvy/0-24 – 10.09.13г.

104. Сайт фирмы «Мелексис» (США) [Электронный ресурс] режим доступа: http://www.melexis.com/. – 20.09.2012г.

105. Сайт фирмы «Наша природа» (Россия) [Электронный ресурс] режим доступа: http://ours-nature.ru/baza-znaniy/item/651 – 28.09.2013г.

106. Сайт фирмы «ООО Вам Тепло» [Электронный ресурс] / Режим доступа http://www.oteple.ru – 09.10.13г.

107. Сайт фирмы «Платан» (Россия) [Электронный ресурс] режим доступа:

http://www.platan.ru/. – 20.09.2012г.

108. Сайт фирмы «Промсправка» [Электронный ресурс] / Режим доступа http://www.promspravka.com/catalog/D/DL/33/2/20/5/2/rashodvod/110/proch/anemstru na/termoanemtka/termoanemtka_54.html – 6.08.13г.

109. Сайт фирмы «Растениеводство» [Электронный ресурс] / Режим доступа http://rastenijevodstvo.com/data/tom5/6.php – 11.09.13г.

110. Сайт фирмы «Тепловизоры» (Россия) [Электронный ресурс] / режим доступа: http://www.teplovizo.ru/. – 20.01.2013г.

111. Сайт фирмы «Электрик» (Россия) [Электронный ресурс] режим доступа: http://www.bezkz.su/. – 20.01.2013г.

112. Сайт фирмы «Элемент электро» (Россия) [Электронный ресурс] режим доступа: http://www.elem-e.ru/. – 20.09.2012г.

113. Сайт фирмы «Элприз» [Электронный ресурс] / Режим доступа:

http://www.elpriz.ru – 17.04.2013.

114. Сайт фирмы ООО «Ньютехагро» [Электронный ресурс] / Режим доступа http://www.newtechagro.ru – 12.02.13г.

115. Сафронов, Ю.П. Инфракрасные распознающие устройства. [Текст] / Ю.П. Сафронов, Р.И. Эльман. – М.: Воениздат, 1976.

116. Соловьев, Ю.А. Спутниковая навигация и ее приложения [Текст] / Ю.А. Соловьев – М.: Эко-Трендз, 2003.-326 с.

117. Спиридонов, А.А. Планирование эксперимента при исследовании технологических процессов [Текст] / А.А. Спиридонов – М.: «Машиностроение», 1981г.

118. Судник, Ю.А. Использование средств глобального позиционирования в автоматизированных системах внесения минеральных удобрений [Текст] / Ю.А.

Судник, С.А. Андреев, А.А. Семина // Автоматизация и информационное обеспечение производственных процессов в сельском хозяйстве. Сб. докладов XI м.н.-т. конференция. 14 сентября 2010г.(II часть): – г. Углич.

119. Судник, Ю.А. Энергосберегающее управление влажностью воздуха на объектах АПК [Текст] / Ю.А. Судник, С.А. Андреев, И.В. Белоусова // Вестник МГАУ «Агроинженерия, 2010г. – №2.

120. Сычев, В.Г. Методика отбора почвенных проб по элементарным участкам поля в целях дифференцированного применения удобрений [Текст] / Сычев В.Г., Афанасьев Р.А., Личман Г.И., Марченко М.Н.,. М.: ВНИИА, 2007. – 36с.

121. Теплова, Т.В. Инвестиции [Текст] / Т.В. Теплова, – М: Изд-во «Юрайт»; ИД Юрайт, 2011г. – 724с.

122. Терехов, В.А. Нейросетевые системы управления [Текст] / В.А.

Терехов, Д.В. Ефимов, И.Ю. Тюкин и др. – СПб.: СПбГУ, 1999.

пирометрического типа для малоразмерного беспилотного летательного аппарата (БПЛА) [Текст]: дис.... к.т. наук : 05.11.16 / Товкач Сергей Евгеньевич. б.м.: Тула, 2010. – 191 с.

124. Украинский, П.А. Оценка земель сельскохозяйственного назначения по показателям плодородия для дистанционного мониторинга [Текст]: дис....

канд. геогр. наук: 25.00.26 / Украинский Павел Александрович. б.м.: Белгород, 2011. – 178с.

электромагнитной энергии [Текст] / А. Уотсон // Влажность. Т. 4. – Л.:

Гидрометеоиздат, 1968. – С. 183-189.

126. Фокин, А.А. Установка для экспериментального исследования влияния параметров светового излучения на растения [Текст] / А.А. Фокин, А.Н.

Попов // Вестник Мичуринского государственного аграрного университета, 2012.

– №2. С. 117 – 121.

127. Хадсон, Р. Инфракрасные системы. [Текст] / Р. Хадсон. – М.: Мир, 1972.

128. Черняк, Г.Я. Диэлектрические методы исследования влажных грунтов. [Текст] / Г.Я. Черняк. – М.: Недра, 1964.

электропотребления сельскохозяйственного предприятия нейросетевым методом [Текст] дис. … тех. наук: 05.20.02 / Чувилкин Александр Викторович.

Мичуринский государственный аграрный университет, Мичуринск, 2011 г.

130. Шейдлин, А.Е. Излучательные свойства твердых материаллов.

Справочник [Текст] / А.Е. Шейдлин. – М., «Энергия», 1974г.

131. Шкала Чеддока для оценки корреляции [Электронный ресурс] / Режим доступа: http://marktika.ru/tables.htm. – 10.08.2013.

132. Юмашев, Н.П. Почвы тамбовской области [Текст] / Н.П. Юмашев, И.А. Трунов – Мичуринск – Наукоград РФ.: Из-во Мичурин. гос. агр. ун-та 2006г.

– 216с.

133. Якушев, В.П. На пути к точному земледелию [Текст] / В.П. Якушев – Агрофиз. НИИ.- СПб.: Изд-во ПИЯФ РАН, 2007. - 382 с.

134. Ященко, А.С. Суточная динамика радиояркостной температуры почв в процессах испарения и инфильтрации, замерзания и оттаивания [Текст] // автореф. дис. … физ.- мат.наук: 01.04.03 / Ященко Александр Сергеевич. – Омск, 2009.

135. Anbumozhi, V. Field-level evaluation of heterogeneity in a large-sized paddy field and development of corrective measures [Text] / V. Anbumozhi, E. Yamaji, T. Tabuchi – Rural environm.Engg, 2001; N 41, - P. 18- 136. Auernhammer, H. Informationssystem Kleinraumige Bestandesfohrung Durnast. DFG-Forschergruppe zielt auf Gesamtbetriebskonzept mit GPS und LBS [Text] / H. Auernhammer – Landtechnik, 1999; Jg.54,N4,-S. 214- 137. Balsari, P. Le tecnologie disponibili per l'agricoltura di preci-sione [Text] / P. Balsari – Inform.agr, 2000; An.56,N 24, - P. 61- 138. Eberius, E. Wasserbestimmung mit Karl-Fischer Losung [Text] / E.

Eberius // Weinheim, Verlag Chemie, 1984.

139. Einfaches Handling fordern. Agrarmarkt, 2001; T.52,N 5, - S.35- 140. Hagan, M.T. Neural Network Design [Text] / M.T. Hagan, H.B. Demuth // Boston, MA: PWS Publishing, 1996.

141. Heinzowa Thomas, and Tol Richard S.J. Prediction Of CropYields Across Four Climate Zones In Germany: An Artificial Neural 56Network Approach. Centre for Marine and Climate Research, HamburgUniversity, Germany, Working Paper FNU- 142. Ilinskiy, A. Low-intensity laser radiation for quality retention and assessment of agricultural produce [Text] / A. Ilinskiy, A. Boudagovski, O.

Boudagovskaja, G. Gudi // International Conference AGRIFOOD QUALITY’95, 1995, p.127.

Profitability Review. [Text] / Lambert Dayton & J. Lowenberg-DeBoer. // Site-specific Management Center School of Agriculture Purdue University. 15 Sept., 2000г.

144. Liu J., Goering С. Е./Пап L. A Neural Network for Setting Target Corn Yields. Transactions of the ASAE Vol. 44(3): 705- 145. Liu J.; Goering C.E.; Tian L. A neural network for setting target corn yields. Trans.ASAE. -St.Joseph(Mich.), 2001; Vol.44,N 3, - P.