Содержание к диссертации
Введение
Глава 1. Современное состояние изучаемого вопроса
1.1. Историческая справка 6
1.2. Особенности постановки опытов, связанные с изменчивостью растительного материала
1.3. Параметры эксперимента: выборка, делянка, повторность 14
1.4. Статистические методы обработки данных биологического исследования 20
1.5. Таксационные переменные - эффективный путь повышения качества экспериментов 25
1.6. Математическое моделирование 29
1.7. Цель и задачи исследований 34
Глава 2. Место проведения, объекты и методика исследований 35
Глава 3. Результаты исследований и их обсуждение
3.1. Динамика коэффициента изменчивости количественных признаков в насаждениях малины красной и смородины черной 43
3.2. Учетные показатели ягодных культур как таксационные переменные для ковариационного анализа 54
3.3. Экономическая эффективность результатов исследований 66
3.4. Обсуждение результатов 68
Выводы 73
Рекомендации для практического использования 74 Список использованной литературы
- Параметры эксперимента: выборка, делянка, повторность
- Таксационные переменные - эффективный путь повышения качества экспериментов
- Учетные показатели ягодных культур как таксационные переменные для ковариационного анализа
- Экономическая эффективность результатов исследований
Введение к работе
Актуальность темы. Анализ тенденций развития опытного дела в садоводстве показывает, что одним из главных факторов является заблаговременное планирование эксперимента, включающее точный расчет всех его параметров, математическое и компьютерное моделирование и последующую статистическую обработку. При этом несовершенство методических разработок и программного обеспечения для изучения биологических объектов, а также нерациональное или неполное использование существующих методов обработки данных приводят к постановке большого числа малоинформативных опытов и, как следствие, к излишним затратам времени и труда.
Особенно много разногласий при планировании опытов с ягодными культурами: какое число растений брать в учет при закладке опыта в существующих производственных насаждениях, можно ли использовать один куст смородины или крыжовника как учетную делянку, оказывает ли влияние на размер делянки сортовая изменчивость, каким образом статистические методы могут ускорить селекционный процесс? Обратившись к зарубежным источникам, находим оригинальные подходы к решению перечисленных проблем. A Mika (1991) использует метод ковариационного анализа для внесения поправок в результаты определения количественных признаков растений при сортоиспытании Ковариационный анализ позволяет дать наиболее полную интерпретацию экспериментальных данных и в ряде случаев способен значительно снизить ошибку опыта. W. Madry и М. Kozak (2005) предлагают модификацию дисперсионного анализа для точного описания связи между общим урожаем черной смородины и отдельными факторами в онтогенетической последовательности.
Совершенствование методик планирования, ведения и анализа эксперимента требует индивидуального подхода к каждой культуре, а также применения комплекса статистических способов обработки информации, что и обусловливает актуальность данной работы.
Цель исследований. Повысить эффективность изучения ягодных культур, оптимизируя размер выборки, и точность анализа данных, усовершенствовать на этой основе методику планирования экспериментов и статистической обработки результатов исследований
Задачи исследований:
-
изучить динамику коэффициента изменчивости внутри делянок различной величины и формы в производственных насаждениях малины красной и смородины черной;
-
оптимизировать параметры делянки для закладки опытов в существующих насаждениях с малиной красной и смородиной черной,
-
изучить влияние учетных показателей на урожайность ягодных культур (малина красная, смородина черная, крыжовник, земляника) и методом ковариационного анализа выявить элементы учета, снижающие дисперсию ошибки;
-
оптимизировать методику обработки результатов исследований методом ковариационного анализа,
-
разработать систему мер, повышающих информативность и эффективность экспериментов с ягодными культурами.
Научная новизна. Впервые проведен ковариационный анализ с использованием таксационных переменных, модифицирована методика статистической обработки результатов исследований полевых опытов с малиной красной, смородиной черной, крыжовником и земляникой.
Практическая значимость. Применение ковариационного анализа с таксационными переменными позволит снизить дисперсию ошибки эксперимента и повысить информативность полевых опытов, ускорить отбор лучших форм для скрещивания, создать базу данных культур малины красной, смородины черной, крыжовника и земляники для планирования высокоэффективных и высокоинформативных исследований. Постановка опытов на делянках с выявленными параметрами даст возможность получить несмещенную действительную оценку влияния вариантов эксперимента. Расчет коэффициента изменчивости по предложенной формуле, адаптированной к MS Excel, и предложенный алгоритм статистического анализа обеспечивает снижение затрат труда на обработку экспериментальных данных в 100 раз.
Реализация результатов исследований. Результаты
теоретического анализа приняты в отделе методики ГНУ ВСТИСП для совершенствования методов постановки и анализа опытов с ягодными культурами Методика использования ковариационного анализа с учетом таксационных переменных передана в Государственное научное учреждение Всероссийский научно-исследовательский институт садоводства им. И В Мичурина.
Апробадия работы. Материалы диссертационных исследований были доложены на заседаниях отдела методики и математического обеспечения, секции ягодных культур и Ученого Совета ГНУ ВСТИСП Россельхозакадемии, а также на Всероссийской научно-методической конференции «Состояние и перспективы развития ягодоводства в России» (Орел, 2005).
На защиту выносятся:
-
результаты теоретического анализа возможностей эффективного использования ковариационного метода обработки данных, полученных в ходе изучения ягодных культур;
-
методика корректировки параметров делянок в опытах с малиной красной и смородиной черной;
-
результаты исследования способов повышения эффективности экспериментирования и точности анализа полученной в ходе опыта информации;
-
элементы методики закладки, ведения и анализа высокоинформативного и высокоэффективного эксперимента с ягодными культурами.
Публикации. По теме диссертационной работы опубликовано 3 печатных работы, в том числе 1 работа по обязательному списку публикаций для работ на соискание степени кандидата сельскохозяйственных наук
Структура и объем диссертации. Диссертационная работа состоит из введения, трех глав, выводов и рекомендаций для практического использования, списка литературы и приложений. Материалы изложены на ПО страницах машинописного текста, содержат 18 таблиц, 10 рисунков; библиография включает 136 источников, в том числе 31 - на иностранных языках.
Параметры эксперимента: выборка, делянка, повторность
Выборка - это серия измерений, составляющая часть совокупности. В процессе планирования эксперимента важнейшее значение приобретает определение объёма выборки, поскольку он влияет как на точность опыта, вероятность установления существенной разницы между вариантами, так и на затраты труда и материальных средств (Бублик, 1998). Кроме этого при выборке более 30 единиц стабилизируется, а затем снижается ошибка II рода (Elandt, 1964). Объём выборки может быть и большим, и малым, но он не может содержать менее двух единиц. С увеличением объёмов выборок уменьшаются значения ошибок определения средних, повышается точность их установления, более тщательно оценивается размах изменчивости, рассеяния средних квадратических отклонений. Чем больше объём выборки, тем ближе приближается t-распределение к нормальному. Если значения t рассчитаны на основе выборок, содержащих 60 или большее количество наблюдений, их распределение практически принимается за нормальное (Лобашев, 1935; Haaland, 1989).
При выборке большого объёма (п 100), можно построить вполне надёжную оценочную функцию, которая позволит вычислить вероятности дискретного количества признака. Необходимо найти вид функции амплитуд эмпирических относительных частот. Вид функции выбирают, исходя из следующих предпосылок: функция должна быть непрерывной и неотрицательной в пределах изменения количественного признака, слева от минимального и справа от максимального значения биологического показателя функция должна обращаться в нуль, определённый интеграл от этой функции с пределами интегрирования, равными выделенным нулям равен 1 (Шипачев, 1999). Это позволяет давать вероятностные прогнозы при планировании эксперимента, делать количественные оценки при отсутствии возможности измерений. Такие функции играют важную роль при отборе растений, так как позволяют более точно, чем оценочные бесконечные распределения определить массив обследуемых объектов. При малых значениях вероятности количественного признака, её оценка должна быть, возможно, более точной, так ошибка в сотые доли выливается в сотни ненужных экспериментов (Перегудов, 1987). Точность расчётов определяет степень оптимальных затрат на проведение экспериментов.
В плодоводстве возможность работать с большими выборками очень ограничена в связи с размерами объектов и почвенной изменчивостью (Elandt, 1964; Пантелеев, 2000), даже не смотря на то, что полученные в результате многолетних экспериментов выборки можно подвергнуть сглаживанию по методу скользящих средних (Блинова, 1971).
Открытый Стьюдентом и теоретически обоснованный Фишером закон t-распределения служит основой теории малой выборки, которая характеризует распределение выборочных средних в нормально распределяющейся совокупности в зависимости от объёма выборки. t-распределение зависит только от числа степеней свободы (k=n-l). С увеличением объёма выборки п t-распределение быстро приближается к нормальному (Литтл, 1981).
Основные этапы определения объема выборки таковы: 1) следует сформулировать некоторое утверждение, описывающее требования к выборке. Оно может заключаться в указании желательных пределов ошибки выборки или же в указании на некоторое решение или действие, которые должны быть основаны на результатах выборки; 2) следует найти уравнение, связывающее п с желательным уровнем точности выборки. Это уравнение будет меняться в зависимости от содержания требования к точности и от предполагаемого способа отбора; 3) это уравнение будет содержать в качестве параметров некоторые неизвестные характеристики совокупности. Их следует оценить, чтобы иметь возможность указать конкретные значения; 4) желательные пределы ошибок должны быть заданы для каждого подразделения; 5) обычно при выборочном обследовании измеряется более одного признака или характеристики; иногда число признаков довольно велико. Если желательная степень точности указана для каждого признака отдельно, то вычисления приводят к набору значений п для разных признаков, противоречащих одно другому. Следует найти некоторый способ согласования этих значений; 6) в заключение необходимо проверить, совместимо ли полученное значение п с ресурсами, выделенными для выборочного обследования. Для этого нужно оценить затраты денежных средств, труда, времени и материалов, требующихся для получения выборки предполагаемого объема.
Главное требование, предъявляемое к любой выборке, сводится к получению наиболее полной информации о состоянии генеральной совокупности, из которой выборка взята. Чтобы выборка наиболее полно характеризовала структуру генеральной совокупности, она должна быть репрезентативной, что достигается путем рэндомизации. Случайный отбор наблюдений из совокупности обеспечивает равную возможность для всех членов совокупности попасть в состав выборки. Простым способом получения действительно случайной выборки является лотерея (Закс, 1976).
Таксационные переменные - эффективный путь повышения качества экспериментов
В настоящее время исследования практически в любой отрасли науки должны завершаться математическим описанием изучаемых процессов и явлений. При числе факторов больше трех привычные методы дисперсионного анализа становятся громоздкими и редко применяются. Главный недостаток экспериментов, основанных на дисперсионном анализе - трудно проследить оптимальное сочетание факторов в каком-либо процессе, явлении. Эти методы не указывают путей движения к оптимальному сочетанию действующих факторов. При решении задач о выборе оптимального сочетания факторов на помощь приходит раздел математической теории планирования экспериментов - методика планирования экстремального эксперимента. Опыт разбивается на ряд последовательных этапов и после каждого из них решается вопрос об изменении стратегии эксперимента. При решении многофакторных задач получается приближенная математическая модель процесса (Мельников, 1972).
Математическая модель - приближенное представление реальных объектов или систем. В общем случае математическая модель реального объекта, процесса или системы представляется в виде системы функционалов координата времени. Построение математической модели заключается в определении связей между теми или иными процессами и явлениями, создании математического аппарата, позволяющего выразить количественно и качественно связь между интересующими специалиста физическими величинами, и факторами, влияющими на конечный результат (Белов, 2000).
Построение моделей развития биологических объектов затрудняется многофакторностью экспериментов, к которой добавляется влияние окружающей среды. Однако такие модели существуют, например, стохастическая модель роста корня в зависимости от объемных свойств почвы, в частности плотности почвы. В дальнейшем эту модель дополнили компьютерной и на ее основе начали изучение влияния способов обработки почвы на корневые системы различных культур. Аналогичные исследования были проведены с надземной частью дерева. Крону дерева рассматривали как объект с равномерной плотностью и кривизной поверхности, состоящей из последовательно расположенных листьев (Li et al., 2006). Различные методы моделирования роста и продуктивности плодовых растений рассмотрены в статье Ю.В. Трунова (2005).
На основе предварительного построения математических моделей создана база данных сортов ежевики в Арканзасе. Она хранит исторические сведения и составляет сообщения и родословные, используя информацию о 600 сортах этой культуры. Программа позволяет пользователям персональных компьютеров с помощью MS Access версии 2000 или выше применять эту простую программу (Stafhe,2005).
Ведется разработка модели, имитирующей рост листа яблони. Имитационные модели роста листа яблони включают подмодели суммы эффективных температур, площади листа, площади листьев отдельной ветки, возраста листьев отдельной ветки, количества листьев и роста листьев индивидуального дерева. Получена первая модель, состоящая из подмоделей, сочетающаяся с языком программирования Delphi и позволяющая определить площадь, возраст и количество листьев. Проведен анализ и корреляция модельных данных с данными, полученными при полевых измерениях. Соответствующие коэффициенты корреляции составляли 0,9997, 0,972 и 0,974 для площади, возраста и количества листьев, показывая, что модель имеет рациональную структуру и высокую степень точности (Xue-Liang, 2006).
Как правило, получение математической модели предполагает дальнейшую разработку ее компьютерного аналога. Такие исследования актуальны и в последнее время не редкость. В Швейцарии проведены детальные обмеры 3 групп 13-летних деревьев по 6 растений в каждой яблони сорта Golden Delicious с формировкой крон по типу веретено, дриллинг и Икар. Объекты описаны математически, на основании этого разработан метод цифрового описания, позволяющий получать точное 3-мерное изображение дерева. Он показывает важность условий года для площади поверхности листьев в связи с периодичностью плодоношения на второй год (Potel, philippe.monney@rac.admin.ch, 2005).
В плодоводстве чаще всего математические модели представляют собой уравнения регрессии, с помощью которых можно учесть влияние достаточно большого количества факторов. Проблема состоит в том, что, получая такое уравнение, мы не можем гарантировать его эффективность через 10-20 лет, поскольку изменяются условия окружающей среды, агротехника. В связи с этим необходим такой механизм прогнозирования, который сможет вносить корректировки в полученное уравнение с учетом изменяющихся факторов.
Учетные показатели ягодных культур как таксационные переменные для ковариационного анализа
Таким образом, завязываемость плодов земляники не зависит от числа цветоносов на растении. Общеизвестно, что на процент завязываемости в большей степени влияют климатические, погодные условия, наличие опылителей, степень развития болезней и вредящих организмов. Искусственная стимуляция завязываемости, как правило, проводится с помощью обработок регуляторами роста и обеспечением полноценного доступа растениям элементов минерального питания. Способность каждого сорта образовывать число завязей, находящееся в определенных пределах, заложена в генотипе. Однако возможно прогнозировать этот показатель внутри каждого сорта в зависимости от зоны выращивания на основании уже накопленных данных.
Системы общей регуляции, такие как общий генный контроль через биосинтез белка, ответные функциональные и двигательные реакции у растений, осуществляемые через свойство раздражимости протоплазмы, множественные корреляции между процессами и органами, а также аттрагирующие и распределительные функции ростовых процессов, обеспечивают постоянное взаимодействие всех органов и систем в растении, экологическую адаптацию и реализацию морфогенеза в соответствии с многовариантной генетической программой развития, расшифровка и искусственное воссоздание которой и является основной целью прогнозирования.
Оценить эффективность методических разработок очень сложно. Так в экономической науке выделяется несколько видов эффективности: экономическая (эффективность производства продукции), ресурсная (отношение полученного результата к потребленным ресурсам), социальная (степень реализации социальных потребностей), биоэнергетическая (расход совокупной энергии на единицу продукции), экологическая. И каждый вид эффективности в сельском хозяйстве имеет свой специфический критерий. Но экспериментальная эффективность не выделяется и полноценные критерии оценки отсутствуют.
Одним из показателей эффективности исследований является их информативность. В зависимости от числа факторов в эксперименте мы получаем в конечном счете определенное число единиц информации. Увеличение этого числа за счет статистического анализа обеспечивает исследователя не только дополнительными результатами, но и показывает другие направления для дальнейшей работы.
Так Финни (1970) выделяет внешнюю и внутреннюю экономику эксперимента. В понятие внешней экономики входят затраты на подготовку участка, уход за насаждениями, оплату лаборантов и научных сотрудников. Внутренняя экономика сводится к числу единиц информации, которое мы можем получить в ходе эксперимента. В свою очередь число единиц информации зависит от факторности опыта: чем больше факторов принимает во внимание исследователь, тем больше единиц информации он получает. При этом следует учитывать, что взаимодействие факторов также является единицей информации.
При постановке опытов в существующих насаждениях с условным выделением вариантов (однородный опыт) затраты на выращивание и рентабельность посадок не зависят от размеров делянок. Однако затраты труда на анализ опытных данных при проведении расчетов по стандартным схемам значительно выше, чем при использовании предложенной методики. Чтобы вручную провести ковариационный анализ по одной культуре (по всем учитываемым признакам) и проинтерпретировать результат требуется порядка ста чел/часов. Применяя изначально минимальные размеры делянок, ковариационный анализ и комплекс компьютерных программ аналогичная работа займет не более одного чел/часа.
В случае снижения дисперсии ошибки опыта, и повышения точности эксперимента в целом, мы избавляемся от затрат на другие опыты, которые были бы безрезультатны. Затянувшиеся поисковые исследования являются вполне значительной статьей расхода научных учреждений, что обусловливает необходимость нашей работы.
В настоящий момент рекомендаций по расчету экономической эффективности исследований в области методики опытного дела и/или планирования экспериментов не существует. Возможна адекватная оценка трудозатрат на проведение учетов, включающих полную математико-статистическую обработку данных и их интерпретацию. Вполне логично было бы заложить новый опыт, согласуясь с предложенными инновациями, и рассчитать материальные средства полностью на закладку, ведение и анализ данных. Оправданной была бы разработка коэффициента информативности эксперимента, но данная работа не входила в задачи представленных исследований. 3.4. Обсуждение результатов
Признаки варьируют под влиянием различных, в том числе и многочисленных случайных причин. На результатах же наблюдений сказываются еще и ошибки, допускаемые при подсчетах и измерениях. Опыт показал, что учеты, как бы точно они не производились, всегда сопровождаются более или менее заметными погрешностями. Погрешности, или ошибки, возникают из-за неисправности или недостаточной точности измерительных приборов, от личных качеств исследователя, его навыков и мастерства в работе и от ряда других, не поддающихся регулированию и неустранимых причин. Технические и личные ошибки, объединяющиеся в категорию систематических, то есть неслучайных, можно в значительной степени преодолеть, совершенствуя технические средства, условия наблюдений и личный опыт. Эти меры позволяют свести размеры таких ошибок до минимума, которым можно пренебречь. Случайные же ошибки остаются и наряду с естественным варьированием сказываются на результатах наблюдений. Однако по сравнению с естественным варьированием признаков случайные ошибки, как правило, невелики. Поэтому варьирование результатов наблюдений рассматривается обычно как изменчивость изучаемых признаков (Лакин, 1990).
Экономическая эффективность результатов исследований
В настоящее время уровень компьютерных технологий, в том числе и нанотехнологий позволяет проводить опыты с высокой точностью в сфере медицины, которые ближе всего к изучению растительных объектов. Аналогичное оборудование может повысить результативность и сельскохозяйственных исследований, но специалистов математико-биологических направлений, способных и желающих работать с такой техникой в аграрной сфере, практически нет. Осложняет задачу высокая стоимость приборов. Поэтому повышение точности опыта статистическими методами на данный момент наиболее актуально.
Кроме того, на фоне глобального изменения климатических условий, что единогласно признали ученые стран Евросоюза, особенно интересно изучение изменчивости растений и других биологических объектов. Важные вопросы прогнозирования урожая по урожаю предшествующего года, по состоянию растений перед входом в глубокий покой, по фенотипическим особенностям приобретают новые оттенки. Предлагаемые в работе элементы экспериментирования являются лишь небольшой частью пути к постановке реальных высокоточных полевых, возможно и лабораторных, опытов, информативность которых позволит ускорить селекционный процесс, а также прохождение агротехнических, агрохимических исследований.
Однако отправной точкой любого исследования будет биология растения и физиологические особенности, то есть наблюдение за ростом и развитием, их динамикой. Анализ теоретического материала
Визуализация результатов и окончательные выводы В ходе исследований мы анализируем количественные показатели ростовых процессов, происходящих в растении в период вегетации, их связь с урожайностью/продуктивностью культур. Будучи интегральным по своей природе, рост синхронно или с небольшим сдвигом фаз копирует ход изменения внутренних процессов и внешних факторов. По масштабам и интенсивности роста можно судить о конкретной реализации программы урожая, о степени оптимизации условий его получения. Изучение хода ростовых процессов открывает новые возможности повышения продуктивности культур за счет устранения многочисленных остановок в росте, обусловленных как генотипическими, так и внешними факторами. Показатели ростовых процессов должны широко использоваться при разработке и применении принципов программирования и прогнозирования урожая, организации контроля за ходом его формирования и при выведении сортов ягодных культур интенсивного типа. Для этих целей обычно используют показатели линейных, объемных и массовых изменений при непрерывной или периодической их регистрации. Проведенный нами подбор таксационных переменных, выявленные их связи с продуктивностью являются очередной ступенью к более точному прогнозированию урожая ягодников. В результате обобщения литературных и результатов данной работы можно сказать, что под прогнозированием урожая понимается система мер по управлению комплексом технологических приемов возделывания плодовых и ягодных культур. Она основана на рациональном использовании ресурсов, достижений науки и производства, точной и непрерывной оценке динамики продукционного процесса, интенсивности, направленности, масштабности и локализации основных его составляющих, изменения экологических условий и особенностей растений в онтогенезе, а также на коррекции при необходимости технологий производства с целью постоянной адаптации растений (генотипов) и насаждений (ценозов) к
условиям среды, защиты их от воздействия неблагоприятных факторов для максимальной мобилизации потенциальной продуктивности сортов и гибридов и получения высокого урожая товарного качества. При этом учет соответствующих экспериментальных данных и широкое использование математического, статистического аппарата позволяет наиболее точно определить рациональный вариант комплекса мероприятий и подобрать оптимальные формы для скрещиваний.
Установление характера связей между фенотипическими признаками растений и их физиологическим состоянием может служить областью поиска таксационных переменных. Важен и анализ биоценоза в целом. Могут быть обнаружены корреляции между состоянием видов, произрастающих в соседстве. Необходимо рассмотреть пути прогнозирования продуктивности ягодных культур с учетом физиологического состояния, биохимического состава и других характеристик растительности, находящейся в тех же условиях, что и изучаемые культуры. Помимо антагонизма и синергизма видов, возможно, удастся обнаружить связи, которые по состоянию одного растения позволят сделать достоверные выводы о состоянии другого. Это могло бы быть полезным при постановке опыта в производственном насаждении, где нежелательно удаление листьев и затрудняется учет урожайности непосредственно по сортам.
