ОПЫТ ИСПОЛЬЗОВАНИЯ СТАТИСТИЧЕСКИХ МЕТОДОВ ДЛЯ АНАЛИЗА ЭКОЛОГИЧЕСКИХ ДАННЫХ
Аннотация
Существует ряд задач, связанных с прогнозом пространственного распределения экологических параметров. В работе в качестве примеров применения статистических методов для анализа экологических данных рассматриваются две схожие задачи.
Первая задача заключается в количественной оценке обеспеченности растений азотом по данным аэрофотосъемки. Точный прогноз потребности растений в питательных веществах в период выращивания необходим для эффективного использования удобрений, выгодной урожайности и высокого качества продукции. Метод решения этой задачи основан на анализе оптических характеристик растений по цифровым изображениям. Для усовершенствования данного метода разработан модуль, отвечающий за автоматическое построение калибровочных кривых для количественной оценки обеспеченности растений азотом.
Вторая задача заключается в оценке уровня экологического показателя в выделенной зоне поля. Предполагается, что исходными данными являются набор экологических или агрохимических данных, измеренных контактным способом, а также аэрофотоснимок рассматриваемого объекта. В статье предложен подход к решению задачи с совместным использованием методов кригинга и бинарной регрессии. На первом этапе проводится вариограммный анализ, после чего строится набор оценок экологического параметра с помощью метода ординарного кригинга. Далее задается пороговое значение параметра для рассматриваемой зоны, вводится фиктивная переменная, которая принимает значение 1, если значение параметра превысило пороговое, и 0 в ином случае. Таким образом, получается основа для логистической регрессии, где в факторы входит набор оценок, спрогнозированных методом кригинга.
Кроме того, в статье представлены примеры реализации рассмотренных методов.
Ключевые слова
Полный текст:
PDFЛитература
Буре В. М. Методология статистического анализа опытных данных. СПб.: С-Петерб. гос. ун-т, 2007. 141 с.
Буре В. М., Парилина Е. М. Теория вероятностей и математическая статистика: учебное пособие. СПб.: Лань, 2013. 416 с.
Демьянов В. В., Савельева Е. А. Геостатистика: теория и практика. М.: Ин-т проблем безопасности развития атомной энергетики РАН; Наука, 2010. 327 с.
Митрофанова О. А., Буре В. М., Канаш Е. В. Математический модуль для автоматизации колориметрического метода оценки обеспеченности растений азотом // Вестн. С.-Петерб. ун-та. Сер. 10. Прикладная математика. Информатика. Процессы управления. 2016. Вып. 1. С. 85--91.
Якушев В. П., Буре В. М. Подходы к обнаружению статистических зависимостей. СПб.: С.-Петерб. гос. ун-т, 2003. 64 с.
Якушев В. П., Буре В. М., Парилина Е. М. Бинарная регрессия и ее применение в агрофизике. СПб.: Агрофиз. ин-т, 2015. 36 с.
Якушев В. П., Канаш Е. В., Конев А. А., Ковтюх С. Н., Лекомцев П. В., Матвеенко Д. А., Петрушин А. Ф., Якушев В. В., Буре В. М., Осипов Ю. А., Русаков Д. В. Теоретические и методические основы выделения однородных технологических зон для дифференцированного применения средств химизации по оптическим характеристикам посева: практическое пособие. СПб.: Агрофиз. ин-т, 2010. 60 с.
Fernandes G. B., Artes R. Spatial dependence in credit risk and its improvement in credit scoring // European Journal of Operational Research. 2016. No. 249. P. 517--524.
References
Bure V. M. Metodologiya statisticheskogo
analiza opytnykh dannykh [Statistical analysis
methodology of the experimental data]. St.
Petersburg: St. Petersburg St. Univ. Publ., 2007.
p.
Bure V. M., Parilina E. M. Teoriya veroyatnostei
i matematicheskaya statistika: uchebnoe
posobie [Probability theory and mathematical
statistics: a study guide]. St. Petersburg: Lan’s
Publ., 2013. 416 p.
Dem’yanov V. V., Savel’eva E. A. Geostatistika:
teoriya i praktika [Geostatistics: theory and
practice]. Moscow: Nuclear Safety Inst. of the RAS,
Nauka Publ., 2010. 327 p.
Mitrofanova O. A., Bure V. M., Kanash E. V.
Matematicheskii modul’ dlya avtomatizatsii
kolorimetricheskogo metoda otsenki obespechennosti
rastenii azotom [Mathematical module to automate
the colorimetric method for estimating nitrogen
status of plants]. Vestnik of St. Petersburg Univ.
Ser. 10. Applied Mathematics. Computer Science.
Control Processes. 2016. Iss. 1. P. 85–91.
Yakushev V. P., Bure V. M. Podkhody
k obnaruzheniyu statisticheskikh zavisimostei
[Approaches to detect statistical relationships].
St. Petersburg: St. Petersburg St. Univ. Publ.,
64 p.
Yakushev V. P., Bure V. M., Parilina E. M.
Binarnaya regressiya i ee primenenie v agrofizike
[Binary regression and its application in
agrophysics]. St. Petersburg: Agrophys. Institute,
36 p.
Yakushev V. P., Kanash E. V., Konev A. A.,
Kovtyukh S. N., Lekomtsev P. V., Matveenko D. A.,
Petrushin A. F., Yakushev V. V., Bure V. M.,
Osipov Yu. A., Rusakov D. V. Teoreticheskie i
metodicheskie osnovy vydeleniya odnorodnykh
tekhnologicheskikh zon dlya differentsirovannogo
primeneniya sredstv khimizatsii po opticheskim
kharakteristikam poseva: prakticheskoe posobie
[Theoretical and methodological foundations of
homogeneous areas selection for differentiated
application of chemicals from the optical
characteristics of crop: a practical guide]. St.
Petersburg: Agrophys. Institute, 2010. 60 p.
Fernandes G. B., Artes R. Spatial dependence
in credit risk and its improvement in credit scoring.
European Journal of Operational Research. 2016.
No. 249. P. 517–524.
DOI: http://dx.doi.org/10.17076/mat528
Ссылки
- На текущий момент ссылки отсутствуют.
© Труды КарНЦ РАН, 2014-2019