Информационная система поддержки принятия решения в процессе выращивания биотехнических объектов
Статья посвящена вопросу решения проблем, связанных с анализом состояния сельскохозяйственных культур в процессе их выращивания. Среди них выделены проблемы, связанные со своевременным внесением питательных веществ и выявлением пораженных вредными веществами растений. Стаття присвячена питанню виріш...
Збережено в:
| Опубліковано в: : | Математичні машини і системи |
|---|---|
| Дата: | 2018 |
| Автори: | , , |
| Формат: | Стаття |
| Мова: | Russian |
| Опубліковано: |
Інститут проблем математичних машин і систем НАН України
2018
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/150665 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Информационная система поддержки принятия решения в процессе выращивания биотехнических объектов / Б.Л. Голуб, А.В. Гудзь, А.В. Бушма // Математичні машини і системи. — 2018. — № 4. — С. 26–35. — Бібліогр.: 14 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-150665 |
|---|---|
| record_format |
dspace |
| spelling |
Голуб, Б.Л. Гудзь, А.В. Бушма, А.В. 2019-04-12T18:36:06Z 2019-04-12T18:36:06Z 2018 Информационная система поддержки принятия решения в процессе выращивания биотехнических объектов / Б.Л. Голуб, А.В. Гудзь, А.В. Бушма // Математичні машини і системи. — 2018. — № 4. — С. 26–35. — Бібліогр.: 14 назв. — рос. 1028-9763 https://nasplib.isofts.kiev.ua/handle/123456789/150665 004.6 Статья посвящена вопросу решения проблем, связанных с анализом состояния сельскохозяйственных культур в процессе их выращивания. Среди них выделены проблемы, связанные со своевременным внесением питательных веществ и выявлением пораженных вредными веществами растений. Стаття присвячена питанню вирішення проблем, пов'язаних з аналізом стану сільськогосподарських культур у процесі їх вирощування. Серед них виділені проблеми, пов'язані із своєчасним внесенням поживних речовин і виявленням уражених шкідливими речовинами рослин. The article is devoted to the problem of solving problems associated with the analysis of the state of agricultural plants in the process of their cultivation. Among these problems there were highlighted the problems associated with the timely introduction of nutrients and the identification of plants affected by harmful substances. ru Інститут проблем математичних машин і систем НАН України Математичні машини і системи Інформаційні і телекомунікаційні технології Информационная система поддержки принятия решения в процессе выращивания биотехнических объектов Інформаційна система підтримки прийняття рішень у процесі вирощування біотехнологічних об'єктів Decision support information system in the process of growing biotechnical objects Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Информационная система поддержки принятия решения в процессе выращивания биотехнических объектов |
| spellingShingle |
Информационная система поддержки принятия решения в процессе выращивания биотехнических объектов Голуб, Б.Л. Гудзь, А.В. Бушма, А.В. Інформаційні і телекомунікаційні технології |
| title_short |
Информационная система поддержки принятия решения в процессе выращивания биотехнических объектов |
| title_full |
Информационная система поддержки принятия решения в процессе выращивания биотехнических объектов |
| title_fullStr |
Информационная система поддержки принятия решения в процессе выращивания биотехнических объектов |
| title_full_unstemmed |
Информационная система поддержки принятия решения в процессе выращивания биотехнических объектов |
| title_sort |
информационная система поддержки принятия решения в процессе выращивания биотехнических объектов |
| author |
Голуб, Б.Л. Гудзь, А.В. Бушма, А.В. |
| author_facet |
Голуб, Б.Л. Гудзь, А.В. Бушма, А.В. |
| topic |
Інформаційні і телекомунікаційні технології |
| topic_facet |
Інформаційні і телекомунікаційні технології |
| publishDate |
2018 |
| language |
Russian |
| container_title |
Математичні машини і системи |
| publisher |
Інститут проблем математичних машин і систем НАН України |
| format |
Article |
| title_alt |
Інформаційна система підтримки прийняття рішень у процесі вирощування біотехнологічних об'єктів Decision support information system in the process of growing biotechnical objects |
| description |
Статья посвящена вопросу решения проблем, связанных с анализом состояния сельскохозяйственных культур в процессе их выращивания. Среди них выделены проблемы, связанные со своевременным внесением питательных веществ и выявлением пораженных вредными веществами растений.
Стаття присвячена питанню вирішення проблем, пов'язаних з аналізом стану сільськогосподарських культур у процесі їх вирощування. Серед них виділені проблеми, пов'язані із своєчасним внесенням поживних речовин і виявленням уражених шкідливими речовинами рослин.
The article is devoted to the problem of solving problems associated with the analysis of the state of agricultural plants in the process of their cultivation. Among these problems there were highlighted the problems associated with the timely introduction of nutrients and the identification of plants affected by harmful substances.
|
| issn |
1028-9763 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/150665 |
| citation_txt |
Информационная система поддержки принятия решения в процессе выращивания биотехнических объектов / Б.Л. Голуб, А.В. Гудзь, А.В. Бушма // Математичні машини і системи. — 2018. — № 4. — С. 26–35. — Бібліогр.: 14 назв. — рос. |
| work_keys_str_mv |
AT golubbl informacionnaâsistemapodderžkiprinâtiârešeniâvprocessevyraŝivaniâbiotehničeskihobʺektov AT gudzʹav informacionnaâsistemapodderžkiprinâtiârešeniâvprocessevyraŝivaniâbiotehničeskihobʺektov AT bušmaav informacionnaâsistemapodderžkiprinâtiârešeniâvprocessevyraŝivaniâbiotehničeskihobʺektov AT golubbl ínformacíinasistemapídtrimkipriinâttâríšenʹuprocesíviroŝuvannâbíotehnologíčnihobêktív AT gudzʹav ínformacíinasistemapídtrimkipriinâttâríšenʹuprocesíviroŝuvannâbíotehnologíčnihobêktív AT bušmaav ínformacíinasistemapídtrimkipriinâttâríšenʹuprocesíviroŝuvannâbíotehnologíčnihobêktív AT golubbl decisionsupportinformationsystemintheprocessofgrowingbiotechnicalobjects AT gudzʹav decisionsupportinformationsystemintheprocessofgrowingbiotechnicalobjects AT bušmaav decisionsupportinformationsystemintheprocessofgrowingbiotechnicalobjects |
| first_indexed |
2025-11-25T20:31:26Z |
| last_indexed |
2025-11-25T20:31:26Z |
| _version_ |
1850521757877796864 |
| fulltext |
26 © Голуб Б.Л., Гудзь A.В., Бушма А.В., 2018
ISSN 1028-9763. Математичні машини і системи, 2018, № 4
ІНФОРМАЦІЙНІ І ТЕЛЕКОМУНІКАЦІЙНІ ТЕХНОЛОГІЇ
УДК 004.6
Б.Л. ГОЛУБ
*
, А.В. ГУДЗЬ
*
, А.В. БУШМА
**
ИНФОРМАЦИОННАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЯ
В ПРОЦЕССЕ ВЫРАЩИВАНИЯ БИОТЕХНИЧЕСКИХ ОБЪЕКТОВ
*
Национальный университет биоресурсов и природопользования Украины, г. Киев, Украина
**
Киевский университет имени Бориса Гринченко, г. Киев, Украина
Анотація. Стаття присвячена питанню вирішення проблем, пов'язаних з аналізом стану сільсько-
господарських культур у процесі їх вирощування. Серед них виділені проблеми, пов'язані із своєчас-
ним внесенням поживних речовин і виявленням уражених шкідливими речовинами рослин. Запропо-
новано систему, яка структурно складається з трьох підсистем: первинного збору, зберігання,
аналізу. До складу першої підсистеми входять хронофлуорометр і пристрій для вимірювання кіль-
кості мікотоксинів. Серед широкого кола параметрів, які характеризують стан сільськогоспо-
дарських культур, розглянуто такі: наявність мікотоксинів, вміст хлорофілу в рослині з вимірю-
ванням внесених додаткових хімічнх добрив і біологічних добавок та ін. Також як додаткове дже-
рело даних використовується розрахунок індексу вегетації рослини NDVI на основі супутникових
знімків. Друга підсистема представлена з технічної точки зору комп'ютером. З інформаційної
точки зору – реляційною базою даних і сховищем. Третя підсистема реалізує аналіз даних за допо-
могою сучасних інформаційних технологій, таких як OLAP і Data Mining. Наведено результати
застосування цих технологій для аналізу наявності мікотоксинів. Представлена архітектура сис-
теми, основні функції якої – управління проведенням вимірювання параметрів росту рослин за
допомогою різних біосенсорів, передача отриманих даних на мобільний пристрій з подальшим на-
копиченням їх в центральне сховище, аналіз і прогнозування процесів, пов'язаних з вирощуванням
культур. Оскільки в системі використовуються методи інтелектуального аналізу даних, це дасть
можливість знаходити нові знання або закономірності. Завдяки цьому, передбачається підвищен-
ня ефективності вирощування культур.
Ключові слова: параметри росту, мікотоксини, біосенсори, хронофлуорометр, хлорофіл, добрива,
Android-додаток, сервер, сховище даних, OLAP, Data Mining, KPI.
Аннотация. Статья посвящена вопросу решения проблем, связанных с анализом состояния сель-
скохозяйственных культур в процессе их выращивания. Среди них выделены проблемы, связанные
со своевременным внесением питательных веществ и выявлением пораженных вредными веще-
ствами растений. Предложена система, структурно состоящая из трѐх подсистем: первичного
сбора, хранения, анализа. В состав первой подсистемы входят хронофлуорометр и устройство
для измерения количества микотоксинов. Среди широкого круга параметров, которые характери-
зуют состояние сельскохозяйственных культур, рассмотрены такие: наличие микотоксинов, со-
держание хлорофилла в растении с измерением внесенных дополнительных химических удобрений
и биологических добавок и др. Также в качестве дополнительного источника данных используется
расчет индекса вегетации растения NDVI на основе спутниковых снимков. Вторая подсистема
представлена с технической точки зрения компьютером. С информационной точки зрения – реля-
ционной базой данных и хранилищем данных. Третья подсистема реализует анализ данных с по-
мощью современных информационных технологий, таких как OLAP и Data Mining. Приведены
результаты применения этих технологий для анализа наличия микотоксинов. Представлена ар-
хитектура системы, основные функции которой – управление проведением измерения параметров
роста растений с помощью различных биосенсоров, передача полученных данных на мобильное
устройство с дальнейшим накоплением их в центральном хранилище, анализ и прогнозирование
процессов, связанных с выращиванием культур. Поскольку в системе используются методы ин-
теллектуального анализа данных, это даст возможность находить новые знания или закономер-
ности. Благодаря этому, предполагается повысить эффективность выращивания культур.
ISSN 1028-9763. Математичні машини і системи, 2018, № 4 27
Ключевые слова: параметры роста, микотоксины, биосенсор, хронофлуорометр, хлорофилл,
удобрения, Android-приложение, сервер, хранилище данных, OLAP, Data Mining, KPI.
Abstract. The article is devoted to the problem of solving problems associated with the analysis of the
state of agricultural plants in the process of their cultivation. Among these problems there were highlight-
ed the problems associated with the timely introduction of nutrients and the identification of plants affect-
ed by harmful substances. A system consisting of three subsystems is proposed: primary collection, stor-
age, analysis. The first subsystem includes a chronofluorometer and a device for measuring the number of
mycotoxins. Among the wide range of parameters that characterize the condition of agricultural plants,
the following are considered: the presence of mycotoxins, the content of chlorophyll in the plant with the
measurement of additional chemical fertilizers and biological additives, and etc. Also, as an additional
data source, we use the NDVI plant vegetation index calculation based on satellite images. The second
subsystem is represented from a technical point of view by a computer. On the informational point of view,
relational and data storage. The third subsystem implements data analysis using modern information
technologies such as OLAP and Data Mining. The results of the application of these technologies for the
analysis of mycotoxins are given. The system architecture is presented, the main functions of which are:
managing the measurement of plant growth parameters using various biosensors, transferring the ob-
tained data to a mobile device with further accumulation in the central repository, analyzing and predict-
ing the processes associated with growing crops. Since the system uses data mining methods, it will pro-
vide an opportunity to find new knowledge or patterns. Due to this, it is supposed to increase the efficiency
of growing crops.
Keywords: growth parameters, mycotoxins, biosensors, chronofluorometer, chlorophyll, fertilizers, An-
droid application, server, data storage, OLAP, Data Mining, KPI.
1. Введение
Одним из основных факторов экономического развития аграрного сектора государства
является эффективная оценка состояния посевов, в том числе, своевременное внесение
питательных веществ и выявление пораженных вредными веществами растений. Исследо-
вание этих параметров трудно реализовать в связи с отсутствием инструментов проведе-
ния тестирования на месте, особенно в полевых условиях, хотя именно они существенно
влияют на результат выращивания сельскохозяйственных культур.
Измерение содержания хлорофилла позволяет определить оптимальные дозы хими-
ческих удобрений и биологических добавок, а обнаружение вредных веществ – уберечь
растения от гибели. Одними из наиболее агрессивных вредных веществ являются мико-
токсины. Микотоксины – биологические контаминанты, природные загрязнители зерна
злаковых, бобовых, семян подсолнечника, а также овощей и фруктов. Они могут образо-
вываться как в растении на стадии вегетации, так и при хранении во многих пищевых про-
дуктах под действием развивающихся в них микроскопических грибов. Продовольствен-
ная и сельскохозяйственная организация ООН FAO отмечает, что ежегодные потери пи-
щевых продуктов из-за влияния микотоксинов составляют около 1 млрд тонн, а 4,5 млрд
людей во всем мире подвергаются риску воздействия этих веществ.
Также немаловажным является слежение за состоянием вегетации растения на ос-
нове определения индекса NDVI [1]. NDVI (Normalized Difference Vegetation Index) – нор-
мализованный относительный индекс растительности – простой количественный показа-
тель количества фотосинтетически активной биомассы (обычно называемый вегетацион-
ным индексом). Это один из самых распространенных и используемых индексов для ре-
шения задач, использующих количественные оценки растительного покрова. Более точное
определение и расчет индекса представлены в [1]. Этот индекс можно определять на осно-
ве снимков полей, сделанных как спутниками земли, так и беспилотными летательными
аппаратами (дронами).
Целью работы является разработка архитектуры системы поддержки принятия ре-
шения при выращивании биотехнических объектов. Основными функциями такой системы
28 ISSN 1028-9763. Математичні машини і системи, 2018, № 4
являются управление проведением измерения параметров роста растений с помощью раз-
личных биосенсоров и внешних источников, передача полученных данных на мобильное
устройство с дальнейшим накоплением их в центральном хранилище, анализ полученных
данных и прогнозирование процессов, связанных с выращиванием сельскохозяйственных
культур. Предполагается, что внедрение такой системы позволит повысить эффективность
выращивания широкого спектра сельскохозяйственных культур.
Проблемная ситуация в процессе определения содержания хлорофилла и микоток-
синов в настоящий момент заключается в том, что диагностику можно провести только в
лаборатории. Для этого требуется от нескольких дней до нескольких недель. Альтернатива
лабораторным исследованиям – использование сенсоров, которые способны провести экс-
пресс-анализ в полевых условиях. Сегодня уже существуют биосенсоры, выполняющие
качественный анализ за короткий промежуток времени [2]. Однако большинство таких
сенсоров работают автономно, без централизованного накопления данных тестирования, а
некоторые вообще не имеют возможности сохранять полученную информацию. Как ре-
зультат, невозможно быстро оценить статистические данные или провести какой-либо их
анализ. Таким образом, результат использования биосенсоров становится неэффективным
с точки зрения реализации системы поддержки принятия решений.
Для решения проблемы повышения эффективности использования биосенсоров
необходима разработка специальных компьютерных информационных технологий, кото-
рые реализовали бы такие функции:
– получение результатов анализов от соответствующего сенсора;
– надежное и долгосрочное хранение данных;
– интеллектуальный анализ полученных данных, в том числе, анализ данных в ре-
жиме реального времени.
2. Основная часть
Для реализации поставленных задач разрабатывается система, структура которой состоит
из трех подсистем:
• первичного сбора данных;
• хранения полученной информации;
• анализа накопленных результатов.
Данные в систему попадают от биосенсорных устройств под управлением агроно-
мов. Также входной информацией служит расчет индекса NDVI по снимкам со спутников
или дронов. Кроме того, внешние источники могут давать климатические, погодные и дру-
гие данные о различных параметрах окружающей среды.
С технической точки зрения, подсистема хранения состоит из компьютерных
устройств серверного типа. С программной точки зрения, она представлена реляционными
базами данных (БД) и хранилищем данных. Поскольку необходимо агрегировать данные
из различных источников, общая схема информационного обеспечения системы будет вы-
глядеть следующим образом. В центре подсистемы находится хранилище собранных дан-
ных, а их источниками служит набор реляционных БД.
Подсистема анализа данных решает задачи по трем основным направлениям: ин-
формационно-поисковому, анализу в режиме реального времени, а также реализует интел-
лектуальную обработку накопленной информации.
В результате аналитик с помощью системы сможет получить статистические дан-
ные, новую информацию или гипотезу, а также подтвердить или отвергнуть уже суще-
ствующие гипотезы. Кроме того, аналитик сможет подготовить для руководства ряд реко-
мендаций или отчетов, которые станут основой для принятия правильных решений при
выращивании биотехнических объектов.
ISSN 1028-9763. Математичні машини і системи, 2018, № 4 29
Общая структура системы поддержки принятия решений при выращивании биотех-
нических объектов показана на рис. 1.
2.1. Подсистема первичного сбора данных
Один из наиболее эффективных источников данных для разрабатываемой системы хроно-
флуорометр «Флоратест» позволяет быстро оценить степень воздействия природной
окружающей среды и загрязнений на живые растения [3]. Работа прибора основана на из-
мерении кривой индукции флуоресценции хлорофилла в реальном времени, что позволяет
определить оптимальные дозы химических удобрений и биологических добавок. Значения
этой кривой отображают текущее общее состояние растения, то есть его здоровье. Соот-
ветственно, для здорового растения может вообще не понадобиться вносить удобрения, а,
с другой стороны, агроном может своевременно обратить внимание на определенное рас-
тение и начать вносить нужные ему удобрения.
Рисунок 2 – Схема беспроводной системы для устройства «Флоратест» [4]
Рисунок 1 – Структура системы поддержки принятия решений при выращивании
биотехнических объектов
30 ISSN 1028-9763. Математичні машини і системи, 2018, № 4
С позиции ведения точного земледелия, экологического мониторинга и охраны
окружающей среды, мобильные и традиционные технологии сбора данных играют ключе-
вую роль. Поэтому в Институте кибернетики им. В.М. Глушкова НАНУ создана беспро-
водная система сбора данных, которая в реальном времени получает информацию о состо-
янии растений на территории сельскохозяйственных угодий или зеленых насаждений [4].
В соответствии со схемой размещения, представленной на рис. 2, беспроводная си-
стема сбора данных состоит из:
• интеллектуальных беспроводных биосенсоров «Флоратест»;
• координаторов сети;
• концентраторов сети;
• мобильных платформ.
Функционально данные от биосенсоров поступают в координаторы сети. При по-
требности, данные от координаторов через концентратор сети или мобильную платформу
поступают непосредственно в локальную БД пользовательского компьютера. В результате
пользователь на своем компьютере может увидеть актуальную информацию о состоянии
растений в режиме реального времени.
Такая беспроводная система в режиме реального времени может собирать данные о
состоянии растений и передавать их по различным каналам связи в подсистему хранения
информации.
Для анализа микотоксинов в пищевых продуктах и кормах существует ряд тестовых
решений. Более подробно эти методы, их плюсы и минусы описаны в [5]. Эти решения
варьируются от быстрых тестов, которые легко проводить, до трудоемких базовых мето-
дов, обеспечивающих более информативные результаты. Основные доступные быстрые и
базовые методы перечислены в табл. 1.
Таблица 1 – Основные доступные методы определения микотоксинов [5]
Быстрые методы Базовые методы
LateralFlowTest ThinLayerChromatography (TLC)
Enzyme-Linked Immunosorbent Assay (ELI-
SA)
Gas Chromatography
Fluorometry High Performance Liquid Chromatography
(HPLC)
Liquid Chromatography – Mass Spectrometry
(LC/MS)
В мире на данный момент разрабатывается множество устройств, которые могут
быстро проводить анализы. Но, в основном, в таких устройствах можно просто увидеть
результат текущего анализа. Однако в дальнейшем эта информация нигде централизованно
не сохраняется и не обрабатывается для получения новых знаний о микотоксинах.
Одним из устройств для проведения быстрого анализа на наличие микотоксинов
является прибор «BIOsens» [6]. Он предназначен для определения количества микотокси-
нов в растениях и продуктах. Устройство состоит из контроллера, модуля передачи и при-
ема данных по протоколу Bluetooth, а также модуля для считывания вольтамперных харак-
теристик с чувствительной поверхности.
Расчет значения NDVI происходит на основе фотоснимков. По этой причине важно
иметь снимки высокого качества, максимально свободные от различных помех, таких как
тени облаков и туч. Решения по очистке изображений описаны в [7]. Также высокий пока-
затель индекса не всегда свидетельствует о хорошем развитии культуры растений. Это
связано с тем, что на его величину влияют показатели сорняков. Большое количество сор-
няков повышает индекс, но, в целом, это не указывает на хорошее развитие растений. В
ISSN 1028-9763. Математичні машини і системи, 2018, № 4 31
таких случаях необходимо разрабатывать отдельный алгоритм интеграции данных в си-
стему, который будет отфильтровывать некорректные результаты.
Эти проблемы вызывают необходимость определять параметры роста сельскохо-
зяйственных культур в полевых условиях. Поэтому в качестве устройства для сбора и пер-
воначальной обработки информации целесообразно использовать любое мобильное
устройство типа смартфона или планшета.
Для управления и получения результатов от биосенсорного датчика «BIOsens» было
разработано мобильное приложение на основе операционной системы Android с использо-
ванием языка программирования Java [8].
2.2. Подсистема хранения данных
Общая схема информационного обеспечения состоит из одного центрального хранилища и
множества БД, которые служат источниками информации для хранилища. Кроме того,
источниками могут служить и различные другие форматы данных, например, таблицы
«Excel» или данные в формате xml-файла. В основном, для накопления и длительного хра-
нения информации от датчиков используются реляционные БД. При этом применяется
технология OLTP. На рис. 3 представлена структура БД, предназначенная для накопления
информации для решения задачи определения уровня микотоксинов.
Рисунок 3 – Структура БД
БД работает в среде PostgreSQL. Ее структура (рис. 3) хранит информацию, полу-
ченную от биосенсора, измеряющего уровень микотоксинов. Реляционная БД приведена в
третью нормальную форму (3НФ) [9]. Отношение находится в 3НФ, когда находится во
2НФ и каждый неключевой атрибут нетранзитивно зависит от первичного ключа. Иными
словами, второе правило требует выносить все неключевые поля, содержимое которых
может относиться к нескольким записям таблицы, в отдельные таблицы.
Витрина данных – срез хранилища данных, представляющий собой массив темати-
ческой, узконаправленной информации, ориентированный, например, на пользователей
одной рабочей группы или департамента. Для хранилища данных сформирован гиперкуб,
управляемый MS SQL Server. На рис. 4 представлена витрина данных, которая описывает
структуру хранения данных о результатах анализа на наличие микотоксинов.
32 ISSN 1028-9763. Математичні машини і системи, 2018, № 4
Видно, что структура состоит из таблицы фактов, то есть мер, которые хранят коли-
чественные показатели результатов анализа на микотоксины, и таблиц измерений, которые
описывают данные. Измерения представляют качественными показателями:
• культура растения;
• вид микотоксина;
• погодные условия;
• пользователь системы;
• предприятие;
• регион;
• страна;
• дата.
При этом обязательной мерой для любого хранилища (витрины) данных есть мера
времени. В представленной витрине мерой времени есть таблица “DimDate”.
Рисунок 4 – Многомерная структура витрины данных
В системе существуют ряд внешних источников и хранилище данных. Для того,
чтобы данные через определенный промежуток времени собирались из источников и по-
ступали в хранилище, необходимо провести их интеграцию. Для обеспечения этого про-
цесса в среде BI MS SQL Server создан ETL-пакет (Extract, Transform, Load) – процесс, ко-
торый используется для организации перемещения и хранения данных в хранилище. Этот
процесс включает три основных этапа: извлечение данных из источников (Extract), их пре-
образование (Transform) и загрузку в хранилище (Load). На рис. 5 представлена общая
схема взаимодействия источников данных. Видно, что вначале все данные из источников
проходят ETL-процесс. В результате ETL-процесса формируются достоверные и очищен-
ные данные, которые загружаются в хранилище.
ISSN 1028-9763. Математичні машини і системи, 2018, № 4 33
Интеграция данных настраивается для каждого источника отдельно. В этом случае
нужно правильно соотнести данные, которые хранятся в ячейках реляционной БД с анало-
гичными ячейками для этих данных в самом хранилище. При этом, возможно, понадобится
провести ряд преобразований для выполнения корректной интеграции. Немаловажным
этапом есть очистка данных, поскольку пустые или некорректные значения могут повли-
ять на достоверность конечных результатов анализа. Для очистки данных разрабатываются
отдельные алгоритмы, которые в ходе интеграции необходимо постоянно усовершенство-
вать.
Рисунок 5 – Схема потоков данных
Представляет интерес разработка прямой интеграции данных, собранных беспро-
водной сетью биосенсоров «Флоратест», данных индекса развития растений и данных
климатических условий от внешних источников.
2.3. Подсистема анализа данных
Эта подсистема представлена тремя технологиями:
• информационно-поисковый анализ на основе использования языка SQL;
• анализ данных в режиме реального времени OLAP;
• интеллектуальный анализ данных DataMining [10].
Первая из этих технологий позволяет, используя возможности языка SQL, реализо-
вать отбор и обработку данных с целью получения некоторой статистической информа-
ции, актуальной в момент отбора. Технология OLAP позиционируется как метод получе-
ния важных характеристик исследуемого процесса, основная из которых – величина KPI
(Key Performance Indicator) [11]. Кроме того, с помощью OLAP могут быть сформированы
отчеты любой сложности и получен тренд параметров исследуемого процесса. Технология
DataMining позиционируется как совокупность инструментария, позволяющая проводить
интеллектуальный анализ данных [12]. В этой системе используется метод поиска ассоци-
ативных правил, метод для выявления определенных шаблонов в наборе данных.
При работе над поиском правил аналитик также может задать значение минималь-
ной поддержки. Это дает возможность получить так называемый частый набор (large
itemset), который состоит из правил, являющихся более точными среди интересных для
аналитика.
Однако довольно часто возникает потребность не только определять частоту вхож-
дения объекта в транзакции, но и их последовательность в транзакциях. Поиск правил с
34 ISSN 1028-9763. Математичні машини і системи, 2018, № 4
определенной последовательностью называется сиквенциальным анализом. Такой анализ
может обеспечить прогнозирование наступления события при выявлении определенной
последовательности событий. Так, при проведении поиска ассоциативных правил было
определено, что правилом с наибольшей вероятностью наступления (почти 100%) является
следующее: при влажности воздуха более, чем 64%, концентрация микотоксинов состав-
ляет не менее 1,24 мг/кг. При этом поддержка наборов, входящих в это правило, является
одной из самых высоких и составляет 15. Учитывая проведенный анализ, выявленную ги-
потезу можно использовать как правило.
Разработанная система находится в режиме тестирования, поэтому данные для про-
ведения анализа являются тестовыми и не представлены реальными показателями.
Для подтверждения или опровержения гипотезы был проведен расчет ключевого
показателя эффективности, который позволяет оценить эффективность выполняемых дей-
ствий – KPI.
При расчете система использует ряд выражений:
• выражение значения – для отображения текущей величины KPI;
• выражение цели – определяет значение, которому должна соответствовать его те-
кущая величина при идеальных условиях;
• выражение статуса – определяет статус текущего значения в соответствии с целе-
вым значением;
• выражение тренда – определяет условия, необходимые для расчета тренда.
В качестве выражения значения используется средняя величина содержания мико-
токсинов, где целевым является условие, для которого при среднем значении влажности
более 40% содержание микотоксинов должно быть больше, чем 0,1 мг/кг [13, 14].
Результаты расчета индекса следующие:
• среднее значение содержания микотоксинов равно 0,34 мг/кг;
• текущее значение соответствует целевому;
• статус положительный;
• тренд нулевой.
Для того, чтобы пользователь системы мог оперативно получать информацию о со-
стоянии растений или результаты анализа данных, разрабатывается Web-интерфейс. Ис-
пользование Web-технологий позволяет вывести результаты c помощью любого браузера в
удобном для пользователя виде, в том числе и на мобильных устройствах.
3. Выводы
Разрабатываемая система поддержки принятия решения при выращивании биотехнических
объектов многофункциональна. Она позволяет фиксировать параметры роста растений в
полевых условиях, передавать полученные результаты на мобильные устройства и отоб-
ражать их на экране. Поскольку важно иметь доступ к полученным результатам в удален-
ном режиме, используются Web-технологии. Для проведения анализа данных, который
возможен при достаточно большом объеме накопленной информации, используются хра-
нилище данных и соответствующие технологии – OLAP и DataMining.
В ходе тестирования системы с помощью поиска ассоциативных правил был полу-
чен ряд гипотез, подтверждѐнных с помощью OLAP-технологии. Разрабатываемая система
нуждается в дальнейшем комплексном тестировании и практической оптимизации, апро-
бации других методов интеллектуального анализа данных, накоплении результатов изме-
рений, но с концептуальной точки зрения она может быть рекомендована для внедрения на
аграрных предприятиях.
ISSN 1028-9763. Математичні машини і системи, 2018, № 4 35
СПИСОК ИСТОЧНИКОВ
1. NDVI – теория и практика. URL: http://gis-lab.info/qa/ndvi.html (дата звернення: 01.10.2018).
2. Starodub N.F., Pilipenko I.V., Pilipenko L.N., Katsev A.M. Express Control of Toxicity and Content of
Patulin by Optical Biosensors. Nanotechnology 2010: Bio Sensors, Instruments, Medical, Environment
and Energy. 2010. P. 137–140.
3. Флоратест. URL: http://www.dasd.com.ua/floratest.php?lang=2 (дата звернення: 05.10.2018).
4. Романов В.О., Палагін О.В., Галелюка І.Б., Вороненко О.В. Безпровідна сенсорна мережа для
прецизійного землеробства та екологічного моніторингу. Комп’ютерні засоби, мережі та систе-
ми. 2014. № 13. С. 53–62.
5. MYCOTOXINANALYSIS. URL: http://www.mycotoxins.info/analysis/mycotoxin-analysis/ (дата
звернення: 25.09.2018).
6. BIOsens. URL: http://sens.bio/ (дата звернення: 06.10.2018).
7. Басараб Р.М. Індуктивні методи попередньої обробки данихДЗЗ (Січ-2): автореф. ... канд. техн.
наук: 05.07.12. К.: Державне космічне агенствоУкраїни. Інститут космічнихдосліджень, 2015. 20 с.
8. Гудзь О.В. Розробка програмного забезпечення для системи проведення аналізу наявності міко-
токсинів. Інтернет-конференції НУБІП України. «Глобальні та регіональні проблеми інформати-
зації в суспільстві і природокористуванні’2016». 2016. URL: http://econference.nubip.edu.ua
/index.php/grpi/grpi16/paper/view/406 (дата звернення: 01.09.2018).
9. Третья нормальная форма. URL: https://goo.gl/dpq2tE (дата звернення: 05.09.2018).
10. Барсегян А.А., Куприянов М.С., Холод И.И., Тесс М.Д., Елизаров С.И. Технологии анализа
данных: Data Mining, Text Mining, Visual Mining, OLAP. 2-е изд. СПб.: БХВ-Петербург, 2009. 512 с.
11. KPI. URL: https://goo.gl/N1XA1q (дата звернення: 06.09.2018).
12. Голуб Б.Л. Анализ деятельности предприятия. Наука и жизнь Израиля. 2015. № 8. URL:
http://nizi.co.il/author/bella-golub (дата звернення: 01.08.2018).
13. Гудзь О.В. Information technology insolving problems the of contentanaly sisofmycotox insincrops.
Інтернет-Конференції НУБІП України. VII міжнар. наук.-практ. конф. молодих вчених «Інфор-
маційні технології: Економіка, Техніка, Освіта». 2016. URL: http://econference.nubip.edu.ua
/index.php/itete/vii/paper/view/649 (дата звернення: 25.09.2018).
14. Голуб Б., Гудзь А. Использование компьютерных технологий при решении задачи анализа со-
держания вредных веществ в сельскохозяйственных культурах. Сборник трудов междисциплинар-
ной научной конф. «Многофакторные подходы к формированию комфортной среды». Нетания,
Израиль, 2017. C. 225–230.
Стаття надійшла до редакції 27.09.2018
http://gis-lab.info/qa/ndvi.html
http://www.dasd.com.ua/floratest.php?lang=2
http://www.mycotoxins.info/analysis/mycotoxin-analysis/
http://sens.bio/
https://goo.gl/dpq2tE
https://goo.gl/N1XA1q
http://nizi.co.il/author/bella-golub
|