Количественное измерение сходства-различия клонов винограда по контурам листьев с применением АСК-анализа и системы "Эйдос"
Применение автоматизированного системно-когнитивного анализа и интеллектуальной системы "Эйдос" для определения сходства-различия различных клонов винограда по контурам листьев. Формирование математических моделей листьев с применением теории информации.
| Рубрика | Сельское, лесное хозяйство и землепользование |
| Вид | статья |
| Язык | русский |
| Дата добавления | 22.05.2017 |
| Размер файла | 4,9 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
КОЛИЧЕСТВЕННОЕ ИЗМЕРЕНИЕ СХОДСТВА-РАЗЛИЧИЯ КЛОНОВ ВИНОГРАДА ПО КОНТУРАМ ЛИСТЬЕВ С ПРИМЕНЕНИЕМ АСК-АНАЛИЗА И СИСТЕМЫ «ЭЙДОС»
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор
Трошин Леонид Петрович д. б. н., профессор
Бандык Дмитрий Константинович
Разработчик интеллектуальных систем
В статье рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и реализующего их программного инструментария - интеллектуальной системы «Эйдос» для решения одной из важных задач ампелографии: количественного определения сходства-различия различных клонов винограда по контурам листьев. Для решения этой задачи выполняются следующие этапы: 1) оцифровка сканированных изображений листьев и создание их математических моделей; 2) формирование математических моделей конкретных листьев с применением теории информации; 3) формирование моделей обобщенных образов листьев различных клонов на основе конкретных листьев (многопараметрическая типизация); 4) верификация модели путем идентификации конкретных листьев с обобщенными образами клонов, т.е. классами (системная идентификация); 5) количественное определение сходства-различия клонов, т.е. кластерно-конструктивный анализ обобщенных образов листьев различных клонов. Форма контура конкретного листа рассматривается как зашумленное информационное сообщение о клоне, к которому он относится, включающее как информацию об истинной форме листа данного клона (чистый сигнал), так и шум, искажающий эту истинную форму, обусловленный случайным воздействием окружающей среды. Программный инструментарий АСК-анализа - интеллектуальная система «Эйдос» обеспечивает подавление шума и выделение сигнала об истинной форме листа каждого клона на основе ряда зашумленных конкретных примеров листьев данного клона. Таким образом создается один образ формы листа каждого клона, независящий от их конкретных реализаций, т.е. «Эйдос» этих изображений (в смысле Платона) - прототип или архетип (в смысле Юнга) изображений модель листья эйдос виноград
Ключевые слова: МНОГОПАРАМЕТРИЧЕСКАЯ ТИПИЗАЦИЯ, СИСТЕМНАЯ ИДЕНТИФИКАЦИЯ ИЗОБРАЖЕНИЯ, ЛИСТЬЯ, ВИНОГРАД, КЛОН, СХОДСТВО-РАЗЛИЧИЕ, ОБОБЩЕННЫЕ ОБРАЗЫ, АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, СИСТЕМА «ЭЙДОС»
Содержание
1. Формулировка проблемы
2. Предпосылки и идея решения проблемы
3. Исходные данные
4. Решение проблемы
4.1 Первая итерация
4.2 Вторая итерация
5. Выводы
Литература
1. Формулировка проблемы
В ампелографии существует проблема количественного определения сходства-различия различных клонов винограда.
Обычно сравнение клонов винограда по контурам листьев проводят путем кластерного анализа конкретных реализаций этих клонов, т.е. самих листьев. При этом из-за невнимательности или намеренно забывают о том, что форма листа зависит не только от клона, но и от множества различных внутренних и внешних факторов. Это явление, из-за которого даже на одном кусте нет двух одинаковых листьев, хорошо известно и называется «полиморфизм». Поэтому при применении кластерного анализа листьев на его результаты будут оказывать все эти факторы, а не только то, к каким клонам относятся эти листья [20, 26].
Существуют различные варианты выбора исходных данных о клонах для решения этой проблемы, не понятно только, с помощью какого измерительного (биометрического) инструментария решать эту проблему.
2. Предпосылки и идея решения проблемы
Предпосылки.
В работе [1] подробно рассматривается применение АСК-анализа и системы «Эйдос» для синтеза и применения адаптивных интеллектуальных измерительных систем в различных предметных областях, т.е. для многопараметрической типизации и системной идентификации сложных систем. Предлагается применить эту интеллектуальную измерительную технологию для решения поставленной проблемы ампелографии.
В работе [2] предлагается новый подход к оцифровке изображений листьев, основанный на использовании полярной системы координат, центра тяжести изображения и его внешнего контура и подробно описывается технология применения АСК-анализа, его математической модели - системной теории информации и программного инструментария - интеллектуальной системы «Эйдос» для решения ряда важных задач ампелографии: 1) оцифровка сканированных изображений листьев и создание их математических моделей; 2) формирование математических моделей конкретных листьев с применением теории информации; 3) формирование моделей обобщенных образов листьев различных сортов; 4) сравнение образа конкретного листа с обобщенным образом листа разных сортов и определение количественной степени сходства-различия между ними, т.е. идентификация сорта по листу; 5) количественное определение сходства-различия сортов, т.е. кластерно-конструктивный анализ обобщенных образов листьев различных сортов.
Поэтому в данной статье мы не будем описывать саму технологию применения АСК-анализа и системы «Эйдос», т.к. они подробно описаны в статье [1] и других работах авторов, а больше внимания уделим описанию самого ампелографического смысла сформулированной проблемы и ее решения.
Идея.
Возникает идея сравнивать клоны не по конкретным листьям, а по обобщенным образам клонов, сформированным путем многопараметрической типизации. В этих обобщенных образах влияние полиморфизма будет нивелировано и отфильтровано как шум, а все специфическое для исследуемых клонов выдвинуто на первый план. Форма контура конкретного листа рассматривается как зашумленное информационное сообщение о клоне, к которому он относится, включающее как информацию об истинной форме листа данного клона (чистый сигнал), так и шум, искажающий эту истинную форму, обусловленный случайным воздействием окружающей среды. В статье рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и реализующего их программного инструментария - интеллектуальной системы «Эйдос» для решения одной из важных задач ампелографии: количественного определения сходства-различия различных клонов винограда по контурам листьев.
В качестве исходных данных о клонах винограда для решения поставленной проблемы предлагается использовать сканированные изображения листьев, а в качестве инструментария для построения измерительной системы и ее применения - АСК-анализ и систему «Эйдос».
Другими вариантами исходных данных могут быть геном или такие фенотипические признаки, как форма куста, форма и размер грозди, форма, цвет и размер ягод и другие. Однако контуры листьев выбраны потому, что, с одной стороны, являются во многих отношениях наиболее удобным объектом исследования, а, с другой стороны, содержат информацию и о геноме, а значит косвенно и о других фенотипических признаках, обусловленных как геномом, так и воздействием окружающей среды.
3. Исходные данные
Общеизвестно, что в клоновой селекции винограда - ныне основным фактором повышения продуктивности виноградных насаждений - до сегодняшнего дня центральной ее задачей остается отбор плюс-трансгрессивных высокопродуктивных растений, так называемых протоклонов, с целью дальнейшего их размножения и внедрения в производство. При этом в вегетативном потомстве размножаемых протоклонов из-за высокой модификационной изменчивости количественных признаков и наличия высокой степени полиморфизма листьев возникает вопрос об их различимости между собой по комплексу морфологических признаков листьев - самых распространенных определителей самих генотипов [8-19].
Цель исследования: установить схожесть или степень различия по комплексу морфологических признаков листьев вегетативного потомства плюс-трансгрессивных растений четырех протоклонов сорта Каберне-Совиньон (110, 177, 221 и 838).
Материалом исследований служили листья первого вегетативного потомства вышеназванных четырех протоклонов, окончательно отобранных селекционером СКЗНИИСиВ Т.А.Нудьга в 2007 г. Взрослые листья вегетативного потомства протоклонов были заготовлены нами осенью 2015 года, сканированы, измерены с помощью компьютерной программы SIAMS и в последующем проанализированы методом АСК-анализа [3, 4] с применением его программного инструментария - интеллектуальной системы «Эйдос» [5] (рис. 1-4).
Рис. 1 Листья клона № 110 кустов 10-1 (вверху) и 16-2 (внизу)
Рис. 2 Листья клона № 177 кустов 7 (вверху) и 9 (внизу)
Рис. 3 Листья клона № 221 кустов 5 (вверху) и 6 (внизу)
Рис. 4 Листья клона № 838 кустов 1 (вверху) и 6 (внизу)
4. Решение проблемы
Решение проблемы, сформулированной в статье, осуществлено в три итерации.
На первой итерации создана исходная модель, включающая 8 обобщенных образов классов по северной и южной сторонам кустов, конкретные реализации которых в виде отдельных листьев приведены на рисунках 1 - 4.
На второй итерации создана модель, включающая 4 обобщенных образа класса по кустам, конкретные реализации которых в виде отдельных приведены на рисунках 1 - 4.
На третьей итерации создана итоговая модель, включающая 3 обобщенных образа класса по клонам, выявленным на второй итерации.
4.1 Первая итерация
Этапы 1-3 решения проблемы: 1) оцифровка сканированных изображений листьев и создание их математических моделей; 2) формирование математических моделей конкретных листьев с применением теории информации мы в данной работе рассматривать не будем, т.к. они аналогичны подробно описанным в статье [2].
Отметим лишь, что на этих этапах были автоматически созданы классификационные и описательные шкалы и градации, в наглядной форме приведенные на рис. 5.
На рисунке 5 цветом обозначена ценность различных градаций описательных шкал для того, чтобы отличить один класс от другого. На верхнем рисунке приведены все градации всех описательных шкал, а на нижнем - только наиболее ценные в каждой шкале.
Рис. 5 Классификационные и описательные шкалы и градации при 8 классах
Этап 3) формирование моделей обобщенных образов листьев различных клонов на основе конкретных листьев (многопараметрическая типизация).
В результате многопараметрической типизации были получены следующие обобщенные образы листьев клонов по северным (вверху) и южным (внизу) кустам (рис. 6 - 9).
На рисунках 6 - 9 цветом обозначена ценность различных градаций описательных шкал для того, чтобы отличить данный класс от остальных. На правом рисунке приведены все градации всех описательных шкал, а на нижнем - только наиболее характерные для данного класса в каждой шкале, т.е. наиболее ценные в каждой шкале для того чтобы отличить данный класс от остальных.
Рис. 6 Обобщенные образы листьев клона 110 по северным (вверху) и южным (внизу) кустам
Рис. 7 Обобщенные образы листьев клона 117 по северным (вверху) и южным (внизу) кустам
Рис. 8 Обобщенные образы листьев клона 221 по северным (вверху) и южным (внизу) кустам
Рис. 9 Обобщенные образы листьев клона 838 по северным (вверху) и южным (внизу) кустам
Этап 4) верификация модели путем идентификации конкретных листьев с обобщенными образами клонов, т.е. классами (системная идентификация).
Созданная модель показала достаточно высокую достоверность, около 70% не смотря на очень небольшое количество измерительных шкал (всего 30) и градаций (5) (рис 10):
Рис. 10 Достоверность созданных моделей 1-й итерации
Этап 5) количественное определение сходства-различия клонов, т.е. кластерно-конструктивный анализ обобщенных образов листьев различных клонов (рис. 11).
Из анализа формы на рис. 11 мы видим, что:
1) форма листьев одного клона с кустов северных и южных склонов сильно отличается;
2) форма листьев с кустов северных и южных склонов у разных клонов имеет много общего.
Рис. 11 Результаты кластерно-конструктивного анализа по 1-й модели
Из этого результата можно сделать вывод о том, что на форму контура листьев клон оказывает меньшее влияние, чем расположение влияния окружающей среды в виде освещенности, связанной с расположением куста на серверном или южном склоне холма.
Основываясь на этом результате с целью решения сформулированной проблемы было принято решение о создании 2-й модели, в которой многопараметрическая типизация была бы проведена по кустам независимо от их расположения и влияние бы этого расположения и связанной с ним освещенности было бы нивелировано, т.е. отфильтровано как шум.
Отметим, что если бы в исследовании ставилась задача исследовать влияние освещенности на форму листа, то при создании модели была бы выбрана другая группировка листьев по классам.
4.2 Вторая итерация
Этапы 1-3 решения проблемы: 1) оцифровка сканированных изображений листьев и создание их математических моделей; 2) формирование математических моделей конкретных листьев с применением теории информации мы в данной работе рассматривать не будем, т.к. они аналогичны подробно описанным в статье [2].
Отметим лишь, что на этих этапах были автоматически созданы классификационные и описательные шкалы и градации, в наглядной форме приведенные на рис. 12:
Рис. 12 Классификационные и описательные шкалы и градации при 4 классах
Этап 3) формирование моделей обобщенных образов листьев различных клонов на основе конкретных листьев (многопараметрическая типизация).
В результате многопараметрической типизации были получены следующие обобщенные образы листьев клонов (рис. 13 - 16):
Рис. 13 Обобщенные образы листьев клона 110
Рис. 14 Обобщенные образы листьев клона 117
Рис. 15 Обобщенные образы листьев клона 221
Рис. 16 Обобщенные образы листьев клона 838
Этап 4) верификация модели путем идентификации конкретных листьев с обобщенными образами клонов, т.е. классами (системная идентификация).
Созданная 2-я модель показала достаточно высокую достоверность, близкую к 1-й модели: около 70% не смотря на очень небольшое количество измерительных шкал (всего 30) и градаций (5) (рис 17):
Рис. 17 Достоверность созданных моделей 2-й итерации
Этап 5) количественное определение сходства-различия клонов, т.е. кластерно-конструктивный анализ обобщенных образов листьев различных клонов (рис. 18):
Рис. 18 Результаты кластерно-конструктивного анализа по 1-й модели
В таблице приведена матрица сходства обобщенных образов клонов (классов), отображенная в форме когнитивной диаграммы на рисунке 18.
Таблица
Матрица сходства обобщенных образов клонов
|
№ |
Клон |
110 |
177 |
221 |
838 |
|
|
1 |
ЧК_110 |
100,0000000 |
-20,1970963 |
-32,2406091 |
3,5215671 |
|
|
2 |
ЧК_177 |
-20,1970963 |
100,0000000 |
8,7179348 |
-27,7025343 |
|
|
3 |
ЧК_221 |
-32,2406091 |
8,7179348 |
100,0000000 |
-34,2162979 |
|
|
4 |
ЧК_838 |
3,5215671 |
-27,7025343 |
-34,2162979 |
100,0000000 |
Из анализа таблицы и формы на рис. 18 мы видим, что исследованные четыре клона №№ 110, 177, 221 и 838 по комплексу признаков взрослых листьев являются заметно различными, а сходными в очень небольшой степени по этим признакам оказались лишь клоны №110 и №838, №177 и №221.
Рассматривая параллельно в течение ряда лет другой комплекс биолого-хозяйственных признаков и свойств этих же четырех клонов, селекционеры-виноградари Нудьга Т.А., Ильницкая Е.Т. и Трошин Л.П. пришли к выводу об отборе лидирующих высокопродуктивных клонов в пределах каждой популяции, которые под названиями Каберне Тамани (№ 177-36), Каберне Кубани (№ 221-36) и Каберне Черноморец (№ 838-30) были переданы на государственные испытания и в 2015 году зарегистрированы в сортовой книге Госсорткомиссии России.
Хорошее совпадение результатов выявления сходства-различия клонов винограда по форме контуров листьев и независимым методом по биолого-хозяйственным признакам и свойствам увеличивает достоверность полученных в этих исследованиях результатов.
5. Выводы
В статье рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и реализующего их программного инструментария - интеллектуальной системы «Эйдос» для решения одной из важных задач ампелографии: количественного определения сходства-различия различных клонов винограда по контурам листьев. Для решения этой задачи выполняются следующие этапы: 1) оцифровка сканированных изображений листьев и создание их математических моделей; 2) формирование математических моделей конкретных листьев с применением теории информации; 3) формирование моделей обобщенных образов листьев различных клонов на основе конкретных листьев (многопараметрическая типизация); 4) верификация модели путем идентификации конкретных листьев с обобщенными образами клонов, т.е. классами (системная идентификация); 5) количественное определение сходства-различия клонов, т.е. кластерно-конструктивный анализ обобщенных образов листьев различных клонов. Форма контура конкретного листа рассматривается как зашумленное информационное сообщение о клоне, к которому он относится, включающее как информацию об истинной форме листа данного клона (чистый сигнал), так и шум, искажающий эту истинную форму, обусловленный случайным воздействием окружающей среды. Программный инструментарий АСК-анализа - интеллектуальная система «Эйдос» обеспечивает подавление шума и выделение сигнала об истинной форме листа каждого клона на основе ряда зашумленных конкретных примеров листьев данного клона. Таким образом создается один образ формы листа каждого клона, независящий от их конкретных реализаций, т.е. «Эйдос» этих изображений (в смысле Платона) - прототип или архетип (в смысле Юнга) изображений.
Описанная в статье технология синтеза и применения интеллектуальной измерительной системы может быть применена не только в ампелографии, но и в других областях, чему может способствовать и то, что система «Эйдос» размещена в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm.
Материалы данной статьи могут быть использованы при проведении лабораторных работ по дисциплинам, связанным с интеллектуальными технологиями, представлением знаний и системами искусственного интеллекта, а также по эконометрике, биометрии, экологии, педагогике, психологии и медицине [1, 6, 7].
Литература
1. Луценко Е.В. Синтез адаптивных интеллектуальных измерительных систем с применением АСК-анализа и системы «Эйдос» и системная идентификация в эконометрике, биометрии, экологии, педагогике, психологии и медицине / Луценко Е.В. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. Краснодар: КубГАУ, 2016. №02(116). С. 1 - 60. IDA [article ID]: 1161602001. Режим доступа: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,750 у.п.л.
2. Луценко Е.В. Решение задач ампелографии с применением АСК-анализа изображений листьев по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык, Л.П. Трошин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. Краснодар: КубГАУ, 2015. №08(112). С. 862 - 910. IDA [article ID]: 1121508064. Режим доступа: http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 у.п.л.
3. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). Краснодар: КубГАУ. 2002. 605 с. http://elibrary.ru/item.asp?id=18632909.
4. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. Краснодар: КубГАУ, 2013. №04(088). С. 340 - 359. IDA [article ID]: 0881304022. Режим доступа: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 у.п.л.
5. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос". Монография (научное издание). Краснодар, КубГАУ. 2014. 600 с. ISBN 978-5-94672-830-0. http://elibrary.ru/item.asp?id=18271217.
6. Луценко Е.В. Лабораторный практикум по интеллектуальным информационным системам: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп. Краснодар: КубГАУ, 2006. 318 с. Режим доступа: http://elibrary.ru/item.asp?id=21683721.
7. Луценко Е.В. АСК-анализ влияния экологических факторов на качество жизни населения региона / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. Краснодар: КубГАУ, 2015. №06(110). С. 1 - 37. IDA [article ID]: 1101506001. Режим доступа: http://ej.kubagro.ru/2015/06/pdf/01.pdf, 2,312 у.п.л.
8. Трошин Л.П. Три сибса современного приватного виноградарства России и Украины / Л.П. Трошин, А.В. Милованов, Б.А. Маховицкий // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. Краснодар: КубГАУ, 2013. №05(089). С. 463 - 482. IDA [article ID]: 0891305032. Режим доступа: http://ej.kubagro.ru/2013/05/pdf/32.pdf, 1,25 у.п.л., импакт-фактор РИНЦ=0,581.
9. Трошин Л. П. Интерактивная ампелография - наука и педагогика // Интерактивная ампелография и селекция винограда. Краснодар: КубГАУ, 2012. С. 215-221.
10. Трошин Л.П. Модернизация столового сортимента для фермерского и приусадебного виноградарства: перспективные сорта-генеты Кострикина-Крайнова / Трошин Л.П. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. Краснодар: КубГАУ, 2014. № 08 (102). IDA [article ID]: 1021408036. Режим доступа: http://ej.kubagro.ru/2014/08/pdf/36.pdf, 2,188 у.п.л.
11. Трошин Л.П. Модернизация столового сортимента для фермерского и приусадебного виноградарства: перспективные сорта-генеты Кострикина-Павловского / Трошин Л.П. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. Краснодар: КубГАУ, 2014. № 08 (102). IDA [article ID]: 1021408037. Режим доступа:http://ej.kubagro.ru/2014/08/pdf/37.pdf, 1,688 у.п.л.
12. Трошин Л.П., Музыченко А.Б., Мисливский А.И. Новации виноградарства России. 3. Клоновая селекция винограда // Научный журнал КубГАУ [Электронный ресурс]. Краснодар: КубГАУ, 2009. № 10 (54). Режим доступа: http://ej.kubagro.ru/2009/10/pdf/08.pdf.
13. Трошин Л.П. Морфометрический анализ листовой ампелографической информации / Л.П. Трошин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. Краснодар: КубГАУ, 2011. №06(70). С. 460 - 490. Режим доступа: http://ej.kubagro.ru/2011/06/pdf/32.pdf, 1,938 у.п.л.
14. Трошин Л.П. Морфометрический анализ листовой ампелографической информации // Виноделие и виноградарство. 2011. № 3. С. 48-49; - № 4. С. 47-49.
15. Трошин Л.П. Leaf morphometry of kuban wild-growing grape liana / Л.П. Трошин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. Краснодар: КубГАУ, 2011. № 08 (72). С. 272-290. Режим доступа: http://ej.kubagro.ru/2011/08/pdf/23.pdf, 1,188 у.п.л.
16. Трошин Л.П. Современные ампелографические исследования. Морфометрический анализ листовой ампелографической информации // Генетические ресурсы и селекционное обеспечение современного виноградарства. Новочеркасск: ВНИИВиВ, 2011. С. 125-132.
17. Головина Н. Е., Трошин Л. П. Системно-когнитивный подход к решению основной задачи ампелографии // Интерактивная ампелография и селекция винограда. Краснодар: КубГАУ, 2012. С. 46-48.
18. Трошин Л.П., Звягин А.С. Технология отбора лучших протоклонов винограда // Технологии производства элитного посадочного материала и виноградной продукции, отбора лучших протоклонов. Краснодар: АлВи-Дизайн, 2005. С. 75-95.
19. Трошин Л.П., Животовский Л.А. Методические рекомендации по клоновой селекции винограда на продуктивность / ВНИИВиПП "Магарач". Ин-т общей генетики им. Н.И.Вавилова. Ялта, 1987. 36 с.
20. Мандель И.Д. Кластерный анализ. М.: Финансы и статистика. 1988. 176с.
21. Леонов В.П. Краткий обзор методов кластерного анализа. Сайт: http://www.biometrica.tomsk.ru/cluster_2.htm http://www.biometrica.tomsk.ru/cluster_3.htm.
22. Леонов В.П. Литература и сайты по кластерному анализу. Сайт: http://www.biometrica.tomsk.ru/cluster_4.htm.
23. Сайт Института Космических Исследований РАН: http://www.iki.rssi.ru/magbase/REFMAN/STATTEXT/modules/stcluan.html#general.
24. Сайт Internet-сообщества закупщиков: http://zakup.vl.ru/132-metodi_klastern.html.
25. Баран О.И., Григорьев Ю.А., Жилина Н.М. Алгоритмы и критерии качества кластеризации // Общественное здоровье и здравоохранение: материалы XLV науч.-практ. конф. с международным участием «Гигиена, организация здравоохранения и профпатология» и семинара «Актуальные вопросы современной профпатологии», Новокузнецк, 17-18 ноября 2010 / под ред. В.В.Захаренкова. Кемерово: Примула, 2010. С. 21-26.
26. Луценко Е.В. Метод когнитивной кластеризации или кластеризация на основе знаний (кластеризация в системно-когнитивном анализе и интеллектуальной системе «Эйдос») / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. Краснодар: КубГАУ, 2011. №07(071). С. 528 - 576. Шифр Информрегистра: 0421100012\0253, IDA [article ID]: 0711107040. Режим доступа: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 у.п.л.
Размещено на Allbest.ru
Подобные документы
Компоненты плодов винограда и виноградного сока. Сравнительный анализ сортов винограда, их свойства, влияние условий выращивания и элементов агротехники на качество и сохранность винограда. Хранение, транспортирование и товарная обработка винограда.
курсовая работа [686,8 K], добавлен 17.10.2014Место отрасли виноградарства в экономике РД, хозяйственно-технологические особенности столовых сортов винограда. Анализ динамики сахаронакопления в ягодах. Увологическая характеристика сортов. Механические свойства и транспортабельность винограда.
курсовая работа [1,6 M], добавлен 13.05.2014Обзор фенологических наблюдений, показателей сахаристости и кислотности столовых сортов винограда. Определение продолжительности вегетационного периода. Совершенствование промышленного сортимента винограда в анапо-таманской зоне Краснодарского края.
статья [341,9 K], добавлен 22.12.2015Изучение классификации винограда, его значение как сельскохозяйственной культуры. Эфирные масла, фитостериновые вещества, кислоты винограда. Милдью, мучнистая роса, хлороз, некроз как основные болезни винограда. Селекция виноградных сортов, их иммунитет.
реферат [49,3 K], добавлен 23.08.2016Закономерности распределения основных типов растительного покрова и системная широтная зона. Статистическая обработка результатов определения плотности запаса листьев подорожника методом учетных площадок и определения плотности запаса побегов толокнянки.
контрольная работа [185,4 K], добавлен 08.08.2013Виноград как род растений семейства Виноградовых: технология выращивания, рассмотрение основных способов переработки. Характеристика химического состава и питательных веществ многолетнего растения. Особенности влияния винограда на организм человека.
презентация [4,2 M], добавлен 06.12.2012Разработка системы агротехнических, биологических, химических мероприятий против вредителей, болезней и сорных растений сельскохозяйственных культур. Методы защиты яровой пшеницы от хлебного жука-кузьки, септориоза листьев, мари белой; выбор пестицидов.
дипломная работа [160,3 K], добавлен 16.12.2014Исторические сведения о появлении, распространении и вредоносности милдью винограда. Предупреждение первичного и вторичного заражения растений во время вегетации. Повышение сопротивляемости виноградных растений к милдью, выведение устойчивых сортов.
курсовая работа [34,6 K], добавлен 02.12.2010Общие понятия и роль листового опада, влияние его количества и состава на почвообразовательный процесс, формирование лесной почвы, Круговорот опада, зависимость от погодных условий, воздействия листоядных насекомых. Химический состав опада хвои и листьев.
реферат [18,7 K], добавлен 02.11.2009Биология и характеристика вредителей сахарной свеклы: свекловичная минирующая муха, щитоноска, свекловичная листовая тля, совка-гамма, переноспороз, бактериальная пятнистость листьев. Система защитных мероприятий сахарной свеклы от вредителей и болезней.
курсовая работа [34,7 K], добавлен 16.06.2010
