Концептуальная модель агроэкологических свойств земель. Методы

Для решения задачи автоматизации агроэкологической оценки земель (природно-ресурсного потенциала) и создания интеллектуальных информационных систем для дальнейшего их программирования необходимым этапом является концептуализация предметной области, или концептуальное моделирование. В настоящей работе концептуальная модель предметной области «Агроэкологические свойства земель», разработанная на основе абстрактно-логического языка UML и предложенная в предыдущей части цикла статей авторов, дополнена типом абстрактных объектов «метод». Методы в UML отражают виды взаимосвязей между данными различной природы и призваны различать способы, с помощью которых можно заполнить недостающие данные и информацию при решении практических задач в рамках проектирования и выстраивания адаптивно-ландшафтных систем земледелия. Рассмотрены UML-методы для одного из абстрактных классов предметной области – класса «Рельеф». В данном классе выделены 31 группа комплектов входных данных и 23 – выходных. Все 54 комплекта данных обусловлены связями «метод – атрибут», действующими внутри данного класса или по ранее зафиксированным в концептуальной модели связям между классами. Это означает, что метод класса как абстрактный объект задает множество зависимостей между данными, привязанными к атрибутам данного класса, как входными, и данными, привязанными к атрибутам данного или связанного с ним класса, как выходными. Элементами такого множества зависимостей могут быть детерминированные или стохастические алгоритмы, статистические и другие обрабатывающие ряды данных методы, методы анализа данных и искусственного интеллекта, а также конкретные математические формулы. Показана технология построения базы знаний по UML-методам класса «Рельеф», содержащей 713 групп UML-методов, классифицированных по семи типам, а также приведены примеры UML-методов трех различных типов.

1. Раевич К.В., Зеньков И.В. Интеллектуальная система поддержки принятия управленческих решений в задачах оценки земель сельскохозяйственного назначения // Вестник Иркутского государственного технического университета. 2016. № 5 (112). С. 95–104. DOI: 10.21285/1814-3520-2016-5-95-104.

2. Раевич К.В., Маглинец Ю.А., Цибульский Г.М. Интеллектуальная информационная система оценивания земель сельскохозяйственного назначения // Журнал Сибирского федерального университета. Техника и технологии. 2016. Т. 9. № 7. С. 1025–1034. DOI: 10.17516/1999-494X2016-9-7-1025-1034.

3. Раевич К.В., Зеньков И.В., Маглинец Ю.А. Управление использованием продуктивных земель агропромышленного комплекса Красноярского края на основе показателей агроэкономического потенциала // Вестник Иркутского государственного технического университета. 2016. № 3 (110). С. 57–66.

4. Mendas A., Delali A. Integration of MultiCriteria Decision Analysis in GIS to develop land suitability for agriculture: Application to durum wheat cultivation in the region of Mleta in Algeria // Computers and Electronics in Agriculture. 2012. Vol. 83. P. 117–126. DOI: 10.1016/j.compag.2012.02.003.

5. Elaalem M. A Comparison of Parametric and Fuzzy Multi-Criteria Methods for Evaluating Land Suitability for Olive in Jeffara Plain of Libya // APCBEE Procedia. 2013. Vol. 5. P. 405– 409. DOI: 10.1016/j.apcbee.2013.05.070.

6. Romano G., Sasso P.D., Liuzzi G.T., Gentile F. Multi-criteria decision analysis for land suitability mapping in a rural area of Southern Italy // Land Use Policy. 2015. Vol. 48. P. 131– 143. DOI: 10.1016/j.landusepol.2015.05.013.

7. Tsoumakas G., Vlahavas I. ISLE: an intelligent system for land evaluation // Proceedings ACAI. 1999. Vol. 99. P. 26–32.

8. Tsoumakas G., Vlahavas I. Land EvaluationAn Artificial Intelligence Approach // Environmental information systems in industry and public administration. IGI Global, 2001. P. 158–166. DOI: 10.4018/978-1-930708-020.ch009

9. Elsheikh R., Shariff A.R.B.M., Amiri F., Ahmad N.B., Balasundram S.K., Soom M.A.M. Agriculture Land Suitability Evaluator (ALSE): A decision and planning support tool for tropical and subtropical crops // Computers and Electronics in Agriculture. 2013. Vol. 93. P. 98–110. DOI: 10.1016/j.compag.2013.02.003.

10. Senagi K., Jouandeau N., Kamoni P. Using parallel random forest classifier in predicting land suitability for crop production // Journal of Agricultural Informatics. 2017. Vol. 8. N 3. P. 23–32. DOI: 10.17700/jai.2017.8.3.39.

11. Sahoo S., Sil I., Dhar A., Debsarkar A., Das P., Kar A. Future scenarios of land-use suitability modeling for agricultural sustainability in a river basin // Journal of Cleaner Production. 2018. Vol. 205. P. 313–328. DOI: 10.1016/j.jclepro.2018.09.099/

12. Сорокин А.Б. Концептуальное проектирование интеллектуальных систем поддержки принятия решений // Онтология проектирования. 2017. Т. 7. № 3 (25). С. 247–269. DOI: 10.18287/2223-9537-2017-7-3-247-269.

13. Мохов В.А., Гринченков Д.В., Власова Л.М., Тху Н.Т., Пидоненко Г.В. Концептуальное моделирование как основа проектирования сложных систем // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. 2018. № 2 (198). С. 40– 47. DOI: 10.17213/0321-2653-2018-2-40-47.

14. Каличкин В.К., Корякин Р.А., Максимович К.Ю., Сигитов А.А., Галимов Р.Р. Концептуальная модель агроэкологических свойств земель // Сибирский вестник сельскохозяйственной науки. 2020. Т. 50. № 1. С. 72–80. DOI: 10.26898/0370-8799-2020-1-9.

15. Фаулер M. UML. Основы. 3-е издание / пер. с англ. СПб.: Символ-Плюс, 2004. 192 с.

16. Заславский М.Н. Эрозиоведение. Основы противоэрозионного земледелия: монография. М.: Высшая школа, 1987. 376 с.

17. Мансуров А.В. Нейросетевой метод определения температуры и влажности неоднородно увлажненных почв по данным СВЧ-радиометрии // ОНВ. 2006. № 4 (38). C. 121–125.

18. Huang G.B., Zhu Q.Y., Siew C.K. Extreme learning machine: theory and applications // Neurocomputing. 2006. Vol. 70. N 1-3. Р. 489– 501. DOI: 10.1016/j.neucom.2005.12.126.

19. Каличкин В.К., Корякин Р.А., Куценогий П.К. Архитектура и принципы работы аграрной интеллектуальной системы // Сибирский вестник сельскохозяйственной науки. 2019. Т. 49. № 4. С. 65–75. DOI: 10.26898/03708799-2019.