Моделирование из: Наборы для 3D моделирование из дерева — купить на OZON с быстрой доставкой

Моделирование из примитивов

В этом уроке вы научитесь основным действиям с объектами моделируя несложный компьютерный стол и пару стульев.

Здесь как и в первом уроке все предельно просто, моделирование из примитивов напоминает простой детский конструктор, поэтому с этим справится любой начинающий. Но наша цель сейчас, это не стол и стул, а несколько интересных приемов моделирования, о которых вы узнаете создавая эти объекты. Итак, давайте прямо по пунктам:

Сначала изменим системные настройки. В 3d max есть своя мера длинны — unit. Вы можете сами задать чему будет равен 1 unit (нескольким метрам или миллиметрам), а так же указать в каких единицах программа будет выводить размеры объектов. Заходим во вкладку Customize — Unit Setup …

В разделе Display Unit Scale выбираем Centimeters (сантиметры) из вкладки Metric.

Нажимаем System Unit Setup и задаем что 1 Unit = 3,0 Centimeters.

Теперь можно приступить к моделированию:

Сначала создаем стол:

1. Создаем ChamferBox с нужными параметрами: Жмем Create — Geometry, выбираем Extended Primitives вместо Standart Primitives далее жмем на ChamferBox и создаем его в окне перспективы. Задаем параметры:
Length 200cm; Width 100cm; Height 3cm; Fillet (фаска) 0,2cm. Цвет выбираем коричневый.

2. Копируем (перемещаем вниз с нажатой клавишей Shift), указываем нужные размеры (переходим во вкладку Modify), ставим на место ножки

3. Снова копируем (передвигаем нажатой клавишей Shift), сдвигая ближе к центру стола:

4. Теперь нам потребуется повернуть объект ровно на 90 градусов. Как это сделать… вверху нажать на кнопку правой кнопкой мыши (как указано на скриншоте), вы попадаете на Grid and Snap Settings. Напротив Angle вписать 5, 10 или 15 градусов. Далее если кнопка будет нажата, то поворачивая объекты они будут поворачиваться на градус кратный указанному. Т.е. если вы указали 10 градусов, то повернуть объект вы сможете на 10-20-30-40-50-60-70-80-90-100 и так далее градусов. Указать вы можете любое числа как вам удобно. У меня обычно стоит от 5 до 15 градусов.

5. Теперь с нажатой клавишей Shift поворачиваем box на 90 градусов, вновь указываем нужные размеры и ставим между двумя предыдущими боксами, что бы получилась нижняя полка:

6. Копируем нашу полку вверх (перемещаем с нажатой клавишой Shift), в появившемся меню указываем количество копий (Numbers of Copies) 3 или 4, как хотите. Тип копирования ставим Instance.

7. Копируем боковую ножку стола на другой край:

Наш стол впринципе готов, но вы можете добавить ещё несколько элементов (например выезжающую полку для клавиатуры)

Теперь моделируем стул:

1. Создаем ChamferBox с нужными параметрами и меняем цвет:

2. Копируем, изменяем размеры, ставим на место ножек 4 копии:

3. Теми же способами создаем спинку стула:

4. Для удобства сгруппируем все элементы стула. Для этого сначала выделите их:

5. Теперь в верхнем меню нажмите Group — Group, и дайте название группе, например «стул»

После того как вы сгруппировали объекты, вы не можете изменять их по отдельности. Зато легко можно создать ещё несколько стульев, просто скопировав группу:

Вот и все по второму уроку, смотрите видео ниже. Желаю успехов!

Выбрать другой урок Перейти к следующему

Моделирование из бумаги | Handykids.ru

Как сделать кубик из бумаги своими руками — это поисковый запрос так звучит. А на самом деле модели геометрических фигур(да и любые модели) лучше изготовлять из тонкого, эластичного картона. Я обычно применяю обложки от альбомов для рисования. Изнаночная сторона у них чистая, без рисунков, вот она нам и пригодится.   Я, конечно, не просто так

Продолжаю цикл статей про изготовление моделей геометрических фигур из бумаги  своими руками. Сегодня  сделаем конус. В нашем хозяйстве как-то не случилось циркуля, и пришлось придумывать способ обойтись без него. Я поступила так:обвела по контуру блюдечко -получила ровный круг. Но нужно знать где у него центр — чтобы конус получился равнобоким  вершина должна быть точно-точно в

Как сделать цилиндр из бумаги? Имеется в виду  геометрическая фигура, а не модель шляпы. Мне цилиндр был нужен  как образец на урок моделирования, и я делала не по конкретным размерам, так что основной целью было — сделать сделать достаточно крупную модель очень аккуратно и качественно. И ещё — хотя и сказано «из бумаги», на самом

Как сделать модель оленя из бумаги. Скоро уже Новый год, пора задуматься о сувенирах и ёлочных украшениях. Что будет в тему? — Дед Мороз, Снегурочка, сани с подарками и… олени! Правильно, нужен транспорт. Понятно, что олени нам нужны северные. Я придумала два варианта изготовления оленя из бумаги или, лучше, картона. Модель северного оленя из картона

 Случился у нас очередной конкурс. Вернее- ещё  случится. Из всей параллели первоклассников надо выбрать  двух девочек и двух мальчиков. Самых способных ,ловких, сообразительных, умеющих мыслить конструктивно и эти команды от всех школ в назначенный день и час выполнят  некий модельно-конструкторский проект. И, надо надеяться, прославят нашу школу. И этих самых-самых надо выбрать из почти девяноста

Сделаем с детьми кузнечика из бумаги. Но это будет модель,состоящая из отдельных деталей,не оригами. Оно и лучше — каждый сможет проявить фантазию и творчество и бумажные кузнечики будут все разные.

В преддверии  Нового Года Козы и Овцы  все  бросились  изготавливать сувениры с  изображением этих животных. Конкурсы на самую интересную поделку проводят, вобщем, коза и овца на пике популярности. Раз так, то и мы тоже присоединимся .В самом моём любимом четвёртом классе на  занятии по моделированию  прихожу и говорю: тема  «Коза или Овца из бумаги».  И

Моделирование из гипса коронки центрального резца верхней челюсти

Моделирование из гипса коронки центрального резца верхней челюсти

Для запоминания анатомической формы коронки зуба и выработки мануальных навыков необходимо научиться создавать коронки зубов из различных материалов (воск, пластилин, гипс и т. п.).

Из гипса заготавливают прямоугольные столбики. На одну из сторон столбика пунктиром или сплошной линией наносят ось предполагаемого зуба и на этой же стороне, а затем и на противоположной вычерчивают схему апроксимальной поверхности коронки резца, исходя из типичного для него отношения ширины к длине 1:1,25 (рис. а, б). После этого гипсовым ножом срезают излишки гипса соответственно чертежу (для того, чтобы гипс легко поддавался обработке, столбик следует хорошо пропитать водой). В результате на столбике образуется клиновидная уплощенная вершина. На этом клине вычерчивают оральную поверхность в виде треугольника с вершиной, направленной к будущей шейке зуба, и соответственно чертежу, удаляют излишки гипса. Образовав схему небной поверхности, приступают к созданию губной поверхности, которая имеет форму прямоугольника. Вначале шпателем сглаживают и закругляют переходы одной поверхности зуба к другой, после чего приступают к уточнению формы коронки зуба. Для этого на губной поверхности, начиная от середины клина, делают скос будущего режущего края, в результате вершина клина становится острой. Режущий край соответственно тому, к какой стороне челюсти относится зуб (правой или левой), срезают косо и моделируют режущий край. При этом образуют прямой медиальный угол и тупой дистальный. Моделирование губной поверхности заканчивают образованием на ней волнистости — двух продольных углублений.

а) нанесение чертежа апроксимальной поверхности;
б) удаление излишков гипса;
в) нанесение чертежа на небной поверхности для моделирования небного бугорка;
г) момент оформления шейки зуба.
 

Уточнение небной поверхности состоит в образовании небной вогнутости, располагаемой в нижних двух третях коронки, и оформлении небного бугорка в верхней трети коронки (рис. в) Если небный бугор моделируют из нескольких бугорков, то наибольшим из них должен быть медиальный. Последним этапом моделирования коронки является оформление шейки зуба (рис. г). Для этого гипсовый столбик ниже к шейке моделированной части коронки постепенно сводят на конус и острым концом шпателя гравируют контур шейки согласно нанесенным ранее схемам поверхности зуба (апроксимальной, небной и губной). Закончив моделирование, гипс натирают тальком.

заказать недорого организацию выездного МК

Моделирование из гофрокартона позволяет ребятам создавать различные объемные композиции. Животные, цветы, транспортные средства, выполненные из этого материала, выглядят как настоящие шедевры искусства. Закажите на ваш праздник мастер-класс по моделированию из гофрокартона и подарите детям возможность насладиться увлекательным творческим процессом.

Что такое моделирование из гофрокартона?

Особое место в создании поделок из гофрокартона занимает такая техника как квиллинг, сворачивание полоски в спираль.
Различают разнообразные виды скручиваний:

• тугая спираль,
• изогнутая капля,
• полукруг,
• свободная спираль,
• птичья лапка,
• лист,
• стрелка,
• треугольник,
• конус,
• полумесяц,
• ромб.

Кроме квиллинга, в творческом процессе создания игрушечных моделей используется техника оригами, конструирование, мозаика.

Для кого подходит мастер-класс?

Мастер-класс по моделированию из гофрокартона подходит для ребят всех возрастов. Исключение могут составить только детки самого младшего возраста, но наши опытные мастера предложат им более упрощенный вариант создания поделок своими руками.

Вы можете заказать этот мастер-класс:

• на День рождения,
• утренник в детском саду или школе,
• новый год или масленицу.

Каждый участник мероприятия почувствует себя настоящим волшебником, создающим чудо из обычной бумаги.

Как проходит мастер-класс?

Наши опытные мастера и профессиональные дизайнеры:

• Расскажут ребятам о необычном искусстве моделирования из гофрокартона;
• Раскроют секреты колористики и помогут развить чувство цвета;
• Продемонстрируют готовые игрушки и модели;
• Выберут с участниками мероприятия наиболее понравившийся вариант;
• Полностью проконтролируют создание яркой оригинальной фигурки из гофрокартона.

Вам не нужно беспокоиться о том, что у детей что-то не получится, мы все предусмотрели за вас! В стоимость мастер-класса входят все расходные материалы и необходимое для работы оборудование.

Как заказать мастер-класс?

Если вы хотите заказать мастер-класс по моделированию из гофрокартона или лепки из полимерной глины для детей, достаточно обратиться в праздничное агентство «Персонаж», заполнив специальную форму на нашем сайте или позвонив нам по телефону: 8 (495) 961-36-03.

Введение в моделирование данных для видеокурса Power BI

Введение в моделирование данных для видеокурса Power BI

Введение в моделирование данных для Power BI — это вводный видеокурс о моделировании данных, необходимый для получения максимальной отдачи от Power BI, Power Pivot для Excel и служб Analysis Services. Обучение ориентировано на пользователей, не имеющих базовых знаний в области моделирования данных для аналитических систем и отчетности.

Цель курса — познакомить с основными концепциями размерного моделирования с использованием практических примеров и демонстраций, чтобы проиллюстрировать, как получить желаемый результат без необходимости писать сложные выражения DAX.Создание правильной модели данных упрощает написание кода и повышает производительность. Курс состоит из 100 минут лекций . Вы можете смотреть видео в любое время, и система будет отслеживать ваши успехи. В рамках курса вы можете скачать слайды и файлы Power BI, используемые в демонстрациях.

Учебная программа

• Введение в моделирование данных для Power BI

  • Презентация Введение в моделирование данных для Power BI

• Слайды и демонстрации

  • Как скачать и использовать демонстрационные файлы
  • Демоверсии скачать
  • Слайды видеокурса

• Введение в моделирование данных

  • Введение в моделирование данных
  • Вступление
  • Разрозненная информация
  • Хозяйствующие субъекты

• Нормализация и денормализация

  • Нормализация и денормализация
  • Введение в нормализацию и денормализацию

• Звездные схемы

  • Звездные схемы
  • Представляем звездообразные схемы
  • Размещение таблиц на диаграмме
  • Если у вас нет звездообразной схемы

• Почему полезно моделирование данных

  • Почему полезно моделирование данных
  • Какова роль модели данных

• Сценарии моделирования данных

  • Сценарии моделирования данных
  • Общие сценарии
  • Заголовок / подробные таблицы
  • Вернуться к звездной схеме
  • Множественные таблицы фактов
  • Построение звездообразной схемы
  • Обработка нескольких дат
  • Множественные отношения с датой
  • События с разной продолжительностью
  • Предварительно вычислить значения

• Заключение

Учебная платформа

Этот курс проводится с помощью нашей обучающей платформы, которая является захватывающей и призвана облегчить ваш опыт.

Откройте для себя все возможности

Рейтинг учащихся

Отзывы студентов (409)

• petros kefalas (24 мая 2021 г.)

  Отличный учебник. Спасибо за предоставленную возможность

• ivan khoo (23 мая 2021 г.)

  Очень хороший курс по освещению концепции сценариев моделирования данных

• pedro Reynoso ogando (19 мая 2021 г.)

  Excelente, Me gustaría que los audios video sean en español tambien

  • — Привет, Педро, Спасибо за ваш комментарий.Как вы могли заметить, мы предоставили испанские субтитры. Они автоматически переводятся с рукописных английских субтитров. Клэр
    Ответ Клэр Коста (20 мая 2021 г.)
• Лукас Аугусто Гутеррес Гараис (18 мая 2021 г.)

  Хороший курс, который учит некоторым базовым концепциям моделирования и анализа данных.

• Lee Rowley (18 мая 2021 г.)

  Очень информативно, но демонстрирует, что мне нужно будет изучить DAX, чтобы получить больше от Power BI

• FABIAN PEREZ LOPEZ (12 мая, 2021)

  Отлично

• Александр Милилис (12 мая 2021)

  Отличная презентация, молодец!

• Ирина Свиридова (8 мая 2021 г.)

  Отличный вводный курс с наглядными примерами.Спасибо.

• Шридхар (8 мая 2021 г.)

  Отличный курс …

• Рупе Рантанен (7 мая 2021 г.)

  Отличный курс! Легко понять, но все же содержит много полезной информации.

• Thomas Schmidt (6 мая 2021 г.)

  Потрясающе здорово !!!

• Леонард Мо (4 мая 2021 г.)

  Отличное введение

• Soti Coker (2 мая 2021 г.)

  Фантастическое введение в моделирование данных! Отличный курс напоминания о многих концепциях, которые я забыл.У учителя очень хороший темп с простыми для понимания примерами.

• Chrystelle SALLE (29 апреля 2021 г.)

  Очень полезно

• Иван Гунаван (29 апреля 2021 г.)

  Спасибо Марко, надеюсь присоединиться к вашему курсу как можно скорее.

Размещено на Vimeo

границ | Машинное обучение vs.Физическое моделирование для управления орошением в реальном времени

Введение

Удовлетворение будущих потребностей в продовольствии растущего населения мира при минимизации воздействия на окружающую среду остается проблемой, в решении которой стратегии точного орошения будут играть решающую роль (Provenzano and Sinobas, 2014). Прецизионное орошение основано на измерениях состояния влажности почвы в режиме реального времени и способности моделей прогнозировать количество, которое необходимо внести для планирования полива (Autovino et al., 2018). При применении водосберегающих стратегий орошения необходимо учитывать индикаторы водного стресса, такие как содержание влаги в почве, матричный потенциал почвы в корневой зоне, потенциал воды в листьях и т. Д. Эти индикаторы могут помочь предотвратить условия водного стресса и чрезмерное использование воды (Rallo и др., 2014). Однако они не информируют производителей о том, сколько воды необходимо для приведения корневой зоны растения в оптимальные условия. Кроме того, в большинстве случаев, когда наблюдается водный стресс у растений, действовать уже слишком поздно (Rekika et al., 2014), особенно для высокочувствительных культур, таких как салат, томаты и клюква (Lafond et al., 2015; Pelletier et al., 2017). Вот почему модели почва-вода-растения-атмосфера (SWPA) часто используются для получения информации о состоянии воды в почве и растениях (Minacapilli et al., 2009; Cammalleri et al., 2013; Aguilera and Ruiz-Valenzuela, 2019). . Несколько моделей, основанных на физике и процессах, такие как HYDRUS (Autovino et al., 2018) и CATHY (Camporese et al., 2015), в настоящее время используются для описания водных процессов в континууме SWPA.После соответствующей калибровки и валидации эти модели могут использоваться для поддержки управления поливной водой, обеспечивая не только время полива, но и количество необходимой воды, тем самым помогая повысить продуктивность и сократить использование воды. Например, Bigah et al. (2019) предложили модель, основанную на процессах, для прогнозирования потребностей в воде для различных операций по выращиванию клюквы, таких как орошение, защита от замерзания и сбор урожая. Rekika et al. (2014) предложили аналитическую модель для оценки пороговых значений критического матричного потенциала почвы для управления орошением для различных высокочувствительных культур (лука, сельдерея и прорастания семян молодого шпината).

За последние несколько лет, наряду с физическими моделями, многие модели на основе машинного обучения (ML) были разработаны и применены к управлению водными ресурсами. Искусственные нейронные сети (ИНС) использовались для моделирования динамики уровня грунтовых вод в различных сельскохозяйственных системах (Dibike and Coulibaly, 2006; Yoon et al., 2011). Ли и др. (2016) сравнили возможности моделей Random Forest (RF) и ANN для прогнозирования уровней воды в озерах. Результаты показали, что модель RF имеет превосходные возможности прогнозирования с меньшим количеством параметров и времени обучения.Модели на основе дерева решений успешно применялись в гидрологическом моделировании подземных вод (Singh et al., 2014; Wang et al., 2018). Marques et al. (2005) использовали алгоритмы машинного обучения для оптимизации подачи воды для сельскохозяйственных культур на разных этапах выращивания с учетом стоимости воды, рыночной цены, затрат на орошение, затрат на урожай и ожидаемого снижения урожайности из-за недостаточного или чрезмерного орошения на протяжении всего вегетационного периода. . Полученные в результате модели оптимизации были включены в систему поддержки принятия решений (DSS) для точного орошения, но не учитывали характеристики поля.В литературе также приводятся комментарии к моделям определения потребностей в орошении на основе данных по конкретным полям. Например, Hedley et al. (2013) использовали ML для прогнозирования состояния воды в почве и глубины зеркала грунтовых вод на основе картирования удельного сопротивления почвы. Смит и Пенг (2009) использовали ML для классификации текстурного состава почвы на основе измерений в инфракрасном диапазоне в качестве входных данных для системы контроля недостаточного орошения. Однако ни одно из этих исследований не сравнивало эффективность физических моделей и моделей машинного обучения для прогнозирования состояния воды в почве с использованием одного и того же набора данных.

Учитывая растущую популярность подходов машинного обучения, основная цель этой статьи состояла в том, чтобы проверить эффективность основанной на физике модели HYDRUS-2D и модели на основе машинного обучения, модели случайного леса (RF), при прогнозировании уровня воды в почве. статус высокочувствительной и ценной культуры. Используя набор данных, собранный на экспериментальной площадке в Квебеке (Канада), HYDRUS и RF были использованы после соответствующей калибровки и обучения для прогнозирования состояния воды в корневой зоне с заблаговременностью до 72 часов в контексте реального -временное управление точным поливом.Сравнение этих двух подходов проводилось с точки зрения производителя или менеджера по ирригации, который обычно измеряет матричный потенциал почвы только в одном месте для управления поливом на своих полях.

Материалы и методы

Район исследования и гидрометеорологические данные

Район исследования

Район исследования находился на клюквенной ферме, в теплом и влажном летнем климате, недалеко от города Квебек, Квебек, Канада (46 ° 14′N, 72 ° 02′W). Среднее количество осадков в июне и сентябре — 48.0 мм и 70,6 мм, а средние температуры — 17,1 и 13,3 ° C соответственно. Расположение фермы показано на рисунке 1, а площадь исследуемого клюквенного поля составляет ~ 18 га (ширина 40 м, длина 450 м). Этот участок оборудован системой подземного дренажа с четырьмя дренажными трубами, равномерно расположенными на расстоянии 12 м, на средней глубине 0,9 м от поверхности почвы. Эти подземные стоки, которые предназначены для поддержания уровня грунтовых вод на глубине 0,6 м на всем поле, сбрасываются в контрольную камеру к югу от участка.Эта установка предназначена для обеспечения адекватных условий влажности, в идеале для поддержания корневой зоны растения в пределах от –6,5 до –4 кПа. Три трубы из ПВХ были вставлены вертикально на среднем расстоянии между подземными дренажами и служили смотровыми колодцами для измерения уровня грунтовых вод. На площадке также был установлен дождемер.

Рисунок 1 . Расположение участка в Квебеке (Канада) и расположение тензиометров (Т1, Т2 и Т3, установленных на 10 см ниже поверхности почвы), манометра уровня грунтовых вод (N3) и дренажей на клюквенном поле.

Производство клюквы

Клюква ( Vaccinium macrocarpon Ait.) — это многолетняя высокоценная культура, которая исторически выращивалась на заболоченных землях (торфяных почвах), но также обычно культивируется на песчаных антропогенных почвах. В течение вегетационного периода в Квебеке клюкве требуется около 60 мм воды в месяц (Pelletier et al., 2015). Уровень грунтовых вод необходимо контролировать в течение вегетационного периода, поскольку слишком сухие или слишком влажные условия могут отрицательно повлиять на рост и развитие корней клюквы (Périard et al., 2017). Глубина водного зеркала от 0,3 до 0,5 м для песчаных почв и около 0,6 м для торфяных почв может удовлетворить потребности клюквы в воде за счет капиллярного подъема (Périard et al., 2017). Почва с высокой гидравлической проводимостью предпочтительна для поддержания оптимальных водных условий для роста клюквы за счет регулирования уровня грунтовых вод или орошения (Gumiere et al., 2017). Как упоминалось ранее, для выращивания клюквы в Квебеке оптимальный диапазон влагосодержания почвы в корневой зоне (т. Е. На глубине 10 см) составляет от -6.5 и −4,0 кПа (Caron et al., 2017). Таким образом, матричный потенциал и гидравлическая проводимость представляют собой свойства почвы, оказывающие наибольшее влияние на урожайность клюквы.

Гидрометеорологические данные и матричный потенциал почвы

Осадки измеряли каждые 15 минут с помощью дождемера (WatchDog 1120 Rain Gauge, Spectrum Technology, Inc., Иллинойс, США) в сочетании с регистратором данных ST-4 Hortau (Левис, Квебек, www.hortau.ca). Летом для охлаждения посевов использовали дождевальный полив.Таким образом, дождемер также измерял количество орошения. Общее количество осадков, использованное в этом исследовании, представляет собой сумму поливных и дождевых осадков.

Уровень грунтовых вод (WT) Глубина непрерывно измерялась с помощью погружного датчика давления (TDH80, Transducersdirect Inc., Ellington Court Cincinnati, Огайо, США) и регистратора данных (ST-4, Hortau Inc., Левис, Квебек, США). Канада). Этот датчик автоматически корректирует данные по атмосферному давлению. Поверхность почвы была точкой отсчета для измерения глубины давления.Данные собирались каждые 15 минут и отправлялись по беспроводной связи на веб-сайт Irrolis Ортау (Irrolis 3 v.3.5.1, Hortau Inc., Левис, Квебек, Канада). Для модели, основанной на физике, значения WT использовались только для задания граничных условий в месте слива.

Матричный потенциал почвы (SMP) непрерывно измерялся коммерческими тензиометрами (HXM-80, Hortau Inc., Левис, Квебек, Канада), подключенными к тому же регистратору данных ST-4. Тензиометры были расположены в трех положениях (T1, T2, T3 на глубине 10 см), поперек подземного дренажа, как показано на Рисунке 1.Данные собирались каждые 15 минут и передавались на веб-сайт Hortau’s Irrolis (Irrolis 3 v.3.5.1, Hortau Inc., Левис, Квебек, Канада). Отсутствующие значения SMP были интерполированы из существующих измерений с использованием кубических сплайнов (Moritz and Bartz-Beielstein, 2017). Часовые значения SMP, используемые в этом исследовании, представляют собой среднее значение четырех 15-минутных измерений. На рисунке 2 показаны все гидрометеорологические данные, то есть осадки, WT и SMP.

Рисунок 2 . Наблюдаемые гидрометеорологические данные, собранные в районе исследования.Сверху мы сообщаем об осадках, потенциальном эвапотранспирации, матричном потенциале почвы, измеренном в точках T1, T2 и T3, и уровне грунтовых вод рядом с канализацией.

Модель машинного обучения

Обзор метода случайного леса (RF)

Random Forest (RF) — это контролируемый метод машинного обучения с несколькими строительными блоками (деревьями решений), создающими ансамбль прогнозных моделей (Rodriguez-Galiano et al., 2014). Среди контролируемых алгоритмов машинного обучения RF оказался подходящим как для классификации, так и для регрессии, в зависимости от природы целевой переменной.Для моделирования матричного потенциала почвы в корневой зоне мы использовали только деревья регрессии (RT).

Алгоритм регрессии построен вокруг набора иерархически структурированных ограничений, последовательно применяемых к корневому узлу вплоть до конечных узлов дерева решений (Breiman, 2001). Чтобы предотвратить корреляции между различными RT, RF разрабатывает каждое дерево независимо, используя различные образцы начальной загрузки, извлеченные из набора обучающих данных, и подмножество случайно выбранных переменных из прогнозных переменных (Breiman, 2001).В частности, RF строит каждое дерево, заставляя их расти из двух третей каждого образца начальной загрузки (in-bag). Около одной трети выборок исключены из выборки начальной загрузки (вне упаковки) для непредвзятой оценки ошибки регрессии. Для каждого дерева генерируется прогноз данных вне сумки (OOB). Эти прогнозы впоследствии усредняются, чтобы получить оценку частоты ошибок OOB. Ошибка обобщения модели RF зависит от веса отдельных деревьев и корреляций между ними (Qu et al., 2019). Построение RT следует подходу рекурсивного двоичного разбиения, начиная с корневого узла, и делит некоррелированные переменные на две новые ветви. Это рекурсивное деление выполняется для зависимой переменной как функции наиболее значимой независимой переменной, что приводит к лучшему ансамблю однородных совокупностей. Затем каждый узел делится с использованием наиболее однородной совокупности среди подмножеств прогнозных переменных, случайно выбранных в узле. Этот процесс разделения продолжается до тех пор, пока не будет достигнуто заранее определенное количество наблюдений на конечном узле (размер узла).Результат, полученный с использованием RF, в случае регрессии представляет собой среднее значение прогнозов всех деревьев решений.

Алгоритм регрессии RF можно разделить на три основных этапа следующим образом (Breiman, 2001):

• Различные образцы начальной загрузки W _i ( i = итерация начальной загрузки) случайным образом берутся из исходного набора данных W . Две трети образцов включены в образец начальной загрузки, а одна треть — как образцы OOB.Каждое дерево построено так, чтобы соответствовать определенному подмножеству начальной загрузки. (Wi) = 1N∑n = 1NTn (Wi) (1)

Разработка модели на основе ML

Выбор входа

RF-модель была реализована в R Development Core Team (2010) с использованием пакета Caret (Kuhn, 2020).Матричный потенциал почвы (SMP) в корневой зоне прогнозировался ежечасно от 1 до 72 часов вперед. В качестве входных данных мы рассмотрели количество осадков (P), потенциальное суммарное испарение ( ET ₀ ) и SMP только в позиции T1 (Рисунок 1) в корневой зоне предыдущих временных шагов. Положение T1 было выбрано потому, что большинство производителей обычно измеряют матричный потенциал почвы только в одном месте, а наиболее значимая позиция на клюквенных полях действительно находится посередине двух дренажных каналов.

Модель была построена с отдельными комбинациями входных переменных.Время запаздывания входных переменных было сгенерировано с помощью метода скользящего окна (Brédy et al., 2020), который позволил нам реструктурировать временные ряды P, ET ₀ и SMP как задачу контролируемого обучения, используя размер лага ( д ) равным 168 ч. Этот размер задержки был выбран, чтобы учесть влияние значений SMP в позиции T1 за предыдущий 168-часовой период времени на прогнозы. Поэтому мы построили модель на основе ML, отображающую входное окно шириной d в отдельное выходное значение y .Модель предсказывает значения SMP в позиции T1 (y _{i, t + j} , с j прогноз временного шага) с помощью окна: ( x _{i, t + j} , x _{i, t + j −1} ,…, x _{i, t} ,…, x _{i, t — d +1} , x _{i, t — d} ) для P и ET ₀ и ( y _{i, t} ,…, y _{i, t — d +1} , y _{i, t — d} ) для предшествующего значения SMP.Многоступенчатые прогнозы от 1 до 72 временных шагов использовались для прогнозирования значения SMP в корневой зоне.

Эвапотранспирация (ET ₀ ) оценивалась по формуле, предложенной Байером и Робертсоном (1965):

Где R _a — внеземное излучение (кал. См ⁻² d ⁻¹ ), ET _0day — суточная эвапотранспирация (d ⁻¹ мм) и T _max и T _min суточная максимальная и минимальная температура (° C).

Температуры были измерены с помощью метеостанции Ортау, которая включает в себя WatchDog 2900ET (Spectrum Technology, Inc., Иллинойс, США). Чтобы получить почасовую ET (используемую в качестве входных), результаты формулы Байера и Робертсона были умножены на соотношение инопланетных излучений для часового ( R _ч ) и суточного ( R _d ) периодов. используя уравнение, ET0 = ET0day · RhRa. Внеземная радиация для суточного и часового периодов оценивалась с использованием уравнений Аллена и др.(1998), который для каждого дня года и для разных широт можно оценить по солнечной постоянной: G _sc = 4.92 МДжм ⁻² d ⁻¹ .

Из-за вычислительных ограничений по времени количество деревьев решений (ntree) было установлено на 200; как сообщает Rodriguez-Galiano et al. (2014) и (Brédy et al., 2020), выигрыш в точности незначителен для ntree> 200.

Разделение данных

Набор экспериментальных данных состоял из 2000 ежечасных наблюдений для каждой переменной (P, ET ₀ и SMP в позиции T1) в период с июля по сентябрь 2018 г.Этот набор данных был разделен методом удержания с использованием функции пакета каретки «CreateDataPartition» Kuhn (2020) на два подмножества: обучающее подмножество, которое содержало 70% данных, случайно выбранных для каждого набора данных, и оставшиеся 30%, которые использовались в качестве тестовых. подмножество. Для каждого прогнозирования на шаг вперед это разделение данных повторялось 30 раз с использованием равномерного распределения. Это позволило обучить и проверить модели с помощью 30 различных обучающих и тестовых подмножеств для каждого обучающего шаблона (от t + 1 до t + 72) и оценить вариативность их результатов.

Калибровка и проверка модели

Процедура калибровки направлена ​​на оптимизацию набора значений параметров модели, которые позволяют модели отображать взаимосвязь между входами и выходами данного набора данных (Wu et al., 2014). Для метода RF два параметра (ntree и mtry) были назначены с использованием результатов и рекомендаций из литературы: 200 деревьев и 1/3 прогнозных переменных (Liaw and Wiener, 2002), соответственно. Модель была обучена определять оптимальные значения параметров, которые минимизируют ошибку обучения.Данные тестирования использовались для независимой оценки способности обученной модели к обобщению, что является важным шагом для оценки качества и точности модели с данными, которые не использовались при обучении.

Физическая модель

Численное решение уравнения Ричардса

Предполагая, что воздушная фаза не влияет на процессы потока жидкости и что температурные градиенты незначительны, движение воды в частично насыщенных пористых средах можно описать уравнением Ричардса (Richards, 1931):

, где S _w = θ / ϕ — водонасыщенность, θ и ϕ — объемное влагосодержание и пористость почвы [/], соответственно, S _s — удельный коэффициент накопления [ L ⁻¹ ], [L ⁻¹ ], ψ — напор [L], t — время [T], ∇ — оператор градиента, K _s — тензор насыщенной гидравлической проводимости [ L / T ], [L / T], K _r — функция относительной гидравлической проводимости [/], ηz = (0,0,1) 1 — вектор вертикального направления, z — вертикальная координата, направленная вверх [L], а q _s представляет член стока [ L ³ / L ³ T ] [L ³ / L ³ T] с учетом суммарного испарения.

Ненасыщенные гидравлические свойства учитываются с помощью функций ван Генухтена S _w (ψ) и K _r (ψ) K _r (ψ) (Ван Генухтен, 1980):

, где S _wr = θ _r / ϕ — остаточная водонасыщенность, с θ _r — остаточное содержание воды, α — эмпирическая константа [L ⁻¹ ], связанная с к обратному отсосу воздухозаборника, а безразмерные параметры формы n и m связаны выражением m = 1−1 / n .Эти параметры часто называют параметрами Ван-Генухтена Муалема (VGM).

Поглощающий член ( q _s ) в уравнении Ричардса учитывает зависящее от глубины поглощение корневой воды. Потенциальная эвапотранспирация (ET ₀ ) распределяется по глубине корня в соответствии с функцией распределения корней. Фактическое суммарное испарение зависит от содержания влаги в почве и, следовательно, от матричного потенциала почвы в корневой зоне. Если почва сухая, растительность может испытывать водный стресс, и транспирация уменьшится, чтобы ограничить потери воды; в условиях, близких к насыщению, низкая доступность кислорода к корням может также вызвать снижение скорости транспирации.Мы смоделировали влияние низкой и высокой влажности почвы на водопоглощение корнями, умножив потенциальное водопоглощение корнями на функцию восстановления, α _rw (Feddes et al., 1974). Функция восстановления, обычно называемая функцией Феддеса, равна нулю при напоре выше или равном ψ ₁ , близком к насыщению, когда кислородный стресс препятствует поглощению воды корнями. При уменьшении ψ предполагается, что α _rw линейно увеличивается до 1 в точке анаэробиоза (ψ ₂ ).Когда напор падает ниже ψ ₃ , связанный с зарождающимся водным стрессом, транспирация, как предполагается, уменьшается линейно, достигая нуля в точке увядания, ψ ₄ . Между ψ ₂ и ψ ₃ почва находится в условиях хорошо полива, и корни могут впитывать воду со своей потенциальной скоростью (т. Е. Α _rw = 1).

Уравнение (1) решается с помощью HYDRUS-2D (Šimunek et al., 2003) с использованием линейных схем конечных элементов типа Галеркина.

Настройка модели

Моделируется вертикальное сечение половины клюквенного поля. Область (рис. 1) имеет глубину 1 м и ширину 6 м с подземным стоком на одном конце и серединой месторождения на другом конце. Расчетная область представляет собой расстояние между стоками. Он дискретизирован с помощью 2D-сетки конечных элементов из 4000 узлов и 8000 элементов. Граничные условия отсутствия потока предполагаются по бокам и внизу области, в то время как граничные условия фильтрационной поверхности или граничные условия Дирихле, в зависимости от того, находится ли уровень грунтовых вод выше или ниже дренажа, соответственно, используются для представления дренажа.На поверхности установлены измеренные осадки и оценочная ЕТ ₀ норма.

Гидростатический профиль, соответствующий уровню грунтовых вод на 0,5 м ниже поверхности, использовался в качестве начального условия для всех сценариев моделирования. Кроме того, перед началом каждой калибровки всегда применялся период прогрева продолжительностью пять дней; такого периода оказалось достаточно, чтобы рассеять влияние произвольных начальных условий.

Параметры модели Феддеса для клюквы известны (Caron et al., 2017) со значениями для ψ ₁ , ψ ₂ , ψ ₃ и ψ ₄ равными −0,1, −0,45, −0,75 и −3,0 м соответственно. Максимальная глубина укоренения составляет 0,15 м, а распределение корней линейное. Параметры почвы VGM ( K _s , ^ϕ , θ _r , ^α и ⁿ ) были откалиброваны в соответствии с процедурой, описанной в следующем разделе.

Модель сначала была откалибрована с использованием всего набора данных SMP в корневой зоне, измеренной в положении T1 (рис. 1).Эта калибровка была проведена для оценки возможности получения хорошо работающей модели. Чтобы проверить точность и физическую достоверность этого моделирования, мы показываем на рисунке 3 характеристики модели для всех трех доступных тензиометров, хотя T2 и T3 не использовались для калибровки. Чтобы минимизировать RMSE (уравнение 5) между наблюдаемыми и смоделированными потенциалами почвенной матрицы, мы использовали метод оценки параметров Марквардта-Левенберга, реализованный в HYDRUS (Šimu ° nek and Hopmans, 2002).

Рисунок 3 . Результаты моделирования физической модели для калибровочного прогона с использованием всего временного ряда матричного потенциала почвы, измеренного в точке T1. Результаты для T2 и T3 показаны для проверки. Значения RMSE для T2 и T3 составляют 7,68 и 9,4 см; Значения NSE для T2 и T3 составляют 0,66 и 0,21, а значения R2 0,72 и 0,94 соответственно.

Тот же метод оптимизации использовался для калибровки параметров почвы в 30 различных сценариях моделирования, при этом временное окно в 408 часов использовалось для калибровки, а последующие 72 часа для прогнозирования, чтобы последовательно сравнивать прогнозирующую способность калиброванной модели с алгоритм обученного ML.i-y¯) (yi-y ~) ∑i = 1n (yi-y¯) 2 (yi-y ~) 2] 2 (7)

, где ỹ среднее смоделированное значение, ŷ _i — наблюдаемые данные, y _i смоделированные данные, y¯i — среднее наблюдаемых значений и N — количество наблюдений. Чтобы модель давала хорошее совпадение между смоделированными и наблюдаемыми данными, RMSE должна быть близка к нулю, а NSE и R ² близка к единице. В этом исследовании статистические данные RMSE и NSE используются для измерения производительности модели для прогнозирования колебаний SMP, тогда как R ² используется для анализа точности совпадения линейной регрессии между наблюдаемыми и смоделированными данными.

Результаты

Физическая модель

На рисунке 3 показаны результаты калибровки тензиометра T1 в диапазоне от 0 до 2018 ч в период с июля 2018 года по сентябрь 2018 года. Результирующие значения RMSE, NSE и R ² , полученные во время обучения, составляют 6,18 см, 0,74 и 0,79 соответственно. Они предполагают очень хорошее согласие между наблюдаемыми и смоделированными значениями SMP; дает уверенность в возможности успешной калибровки модели и последующего сравнения с моделью на основе машинного обучения.

На рисунке 4 показано сравнение смоделированных и наблюдаемых временных рядов SMP в местоположении T1 (корневая зона) для 27 из 30 сценариев. На рисунке 5 представлена ​​диаграмма разброса смоделированных и наблюдаемых значений SMP в одном и том же месте для тех же сценариев. Временная динамика после калибровки хорошо представлена ​​физической моделью, показывающей средние критерии эффективности для RMSE, NSE и R ² 6,46 см, 0,72 и 0,82 соответственно. Три моделирования из 30 сценариев не совпали из-за численной нестабильности, что соответствует 10% прогонов.Причины такой нестабильности, вероятно, могут быть найдены в сложном взаимодействии начальных условий (двухдневная разминка, используемая для каждого моделирования) и параметров почвы, пространство поиска которых было ограничено и, следовательно, не позволяло полностью представить весь параметр. космос. Другое возможное объяснение заключается в том, что из-за очень коротких калибровочных окон (т. Е. 360 ч), которые не отражали весь диапазон возможных ситуаций (т. Е. От очень сухих до очень влажных периодов), для калибровки потребовалось бы большее пространство параметров. для разумного моделирования наблюдаемых значений.

Рисунок 4 . Сравнение смоделированных и наблюдаемых SMP во времени для 27 из 30 начальных окон случайно выбранных сценариев, полные серые точки представляют наблюдаемые значения, а полная черная линия — смоделированные значения SMP.

Рисунок 5 . График разброса наблюдаемого и смоделированного SMP в корневой зоне для 27 из 30 сценариев, выполненных с помощью физической модели с использованием набора калибровочных данных. Синяя линия представляет подобранную линейную модель между смоделированными и наблюдаемыми значениями.

На рис. 6 показаны прямоугольные диаграммы откалиброванных параметров ван Генухтена-Муалема (VGM) и насыщенной гидравлической проводимости для 27 совпадающих сценариев. Параметры VGM были откалиброваны индивидуально для каждого сценария с использованием алгоритма оптимизации параметров типа Марквардта-Левенберга для обратного моделирования, включенного в HYDRUS-2D. Начальные параметры VGM были измерены в полевых условиях и были зафиксированы на одном и том же значении для каждого сценария (θ _r = 0,072, θ _s = 0.423, α = 0,03 см ⁻¹ , n = 1,56, м = 1−1 / n и K _sat = 19,62 см / h ). Результирующая изменчивость гидравлических свойств грунта (VGM) относительно велика, при этом некоторые прогоны имеют параметры, равные нижней или верхней границе, что является дополнительным признаком ограниченного пространства поиска, которое могло привести к тому, что три моделирования не сходятся. Опять же, это изменение может быть связано с выбранными вначале маленькими окнами, из-за чего гидрофильное состояние почвы сильно различается от окна к окну и вызывает широкий диапазон параметров почвы, необходимых для моделирования динамики воды.Другим возможным объяснением может быть гистерезис, не учтенный в модели, из-за того, что для некоторых окон система в основном осушается, в то время как для других уровень грунтовых вод в основном повышается.

Рисунок 6 . Коробчатая диаграмма гидравлических параметров почвы для 27 сценариев, выполненных с помощью физической модели, черные кружки обозначают исходные параметры.

На рис. 7 показан график разброса зависимости между наблюдаемыми и смоделированными значениями SMP для периода прогнозирования для всех 27 успешных сценариев.Производительность модели по-прежнему очень хорошая: RMSE = 5,72 см , NSE = 0,78, R ² = 0,82, что указывает на отличное соответствие между смоделированными и наблюдаемыми значениями SMP в период прогнозирования.

Рисунок 7 . График разброса наблюдаемого и смоделированного матричного потенциала почвы в корневой зоне для 27 из 30 сценариев, выполненных с помощью физической модели с использованием набора данных проверки (период прогнозирования). Синяя линия представляет подобранную линейную модель между смоделированными и наблюдаемыми значениями.

На рисунке 8 показана RMSE с течением времени для периода прогнозирования (от 1 до 72 часов). Значения RMSE остаются ограниченными в диапазоне 3–8 см без явной тенденции к увеличению или уменьшению, что свидетельствует о случайном распределении ошибок.

Рисунок 8 . Временная динамика RMSE для модели, основанной на физике.

Модель на базе ML

На рисунке 9 показан квадрат ошибки вне пакета (OOB) по параметру ntree за период тестирования. Для ntree> 50 ошибка постоянна, при ntree> 200 выигрыша нет.

Рисунок 9 . Ошибка вне пакета как функция параметра RF ntree. Цвет столбца представляет время прогнозирования.

На рисунке 10 показан график разброса между наблюдаемыми и смоделированными значениями SMP для 30 периодов тестирования, то есть 30% от 408 часов данных для каждого периода. Показатели производительности по всем сценариям моделирования: RMSE = 8,49 см , NSE = 0,55 и R ² = 0,58, что свидетельствует о резком снижении эффективности ML-модели для тестирования.

Рисунок 10 . Диаграмма рассеяния смоделированного и наблюдаемого матричного потенциала почвы в корневой зоне для модели ML в период прогноза. Синяя линия представляет подобранную линейную модель между смоделированными и наблюдаемыми значениями.

На рисунке 11 показана RMSE как функция прогнозируемого времени. Значения RMSE варьируются от 2 до 8 см с явной тенденцией к увеличению с течением времени, подтверждая сильное сокращение возможностей прогнозирования модели на основе ML по мере увеличения времени прогнозирования.

Рисунок 11 . Временная динамика RMSE для модели ML.

Обсуждение

Для прогнозирования значений SMP в корневой зоне клюквенного поля здесь использовались как физические, так и основанные на ML модели. Модель на основе машинного обучения показывает сильную зависимость от периода прогнозирования. Эта зависимость как-то ожидаема, потому что модель основана на авторегрессивном соотношении входных переменных. Значения RMSE быстро увеличивались в первые 3 часа и выравнивались с 20 до 60 часов в период прогнозирования, а затем снова увеличивались.Эти результаты согласуются с выводами Nayak et al. (2006), которые показали, что производительность моделей на основе машинного обучения (ANN, RF, Gradient Boosting) была лучше при более коротком времени выполнения, но ухудшалась по мере увеличения времени прогнозирования. По сравнению с моделями ИНС, модели на основе деревьев не остаются в локальном минимуме, что вызывает чрезмерную настройку во время периода обучения (Maier et al., 2010). Кроме того, на модели дерева решений не влияют отсутствующие и коррелированные данные, и они широко используются при моделировании природных явлений.

Для модели, основанной на физике, значения RMSE кажутся полностью случайными, в основном колеблющимися между 4 и 7 см, с одним пиком, достигающим 8 см примерно через 20 часов периода прогнозирования. Интересно, что после 50 часов периода прогнозирования модель на основе физики показывает лучшую производительность, чем модель на основе машинного обучения. Однако в целом обе модели демонстрируют хорошие характеристики с точки зрения значений RMSE и NSE на этапах калибровки и проверки (обучение и тестирование, для ML), что указывает на то, что обе модели могут обеспечить удовлетворительное прогнозирование значений SMP для управления орошением.Действительно, для клюквы ошибка прогноза SMP менее 10 см приемлема для управления орошением (Pelletier et al., 2017), учитывая период реакции 24 или менее для активации орошения на соответствующих полях.

Основанная на физике модель имеет то преимущество, что она может последовательно представлять динамику воды во всей области, а не только там, где она была откалибрована, как в случае модели на основе машинного обучения, для которой невозможна экстраполяция за пределы диапазона наблюдаемые значения.С другой стороны, модели, основанные на физике, требуют дополнительных усилий для задания надлежащих начальных и граничных условий, а также неоднородности параметров, чтобы точно представить динамику воды в почве. Кроме того, основанные на физике модели, вероятно, потребуют постоянной калибровки по мере сбора новых данных для поддержания эффективных возможностей прогнозирования. Для этого исследования, где временные окна были короткими, диапазон изменчивости откалиброванных гидравлических параметров довольно велик, за исключением гидравлической проводимости почвы.Ассимиляция данных может представлять собой допустимую альтернативную стратегию, поскольку она позволит пользователям модели регулярно обновлять не только состояние системы, но и параметры модели, сохраняя при этом преимущества моделей, основанных на физике.

Выводы

В этой статье мы представили сравнение между физической моделью и моделью на основе машинного обучения для прогнозирования матричного потенциала почвы в корневой зоне для управления поливом клюквенного поля в режиме реального времени. Обе модели были откалиброваны (обучены) и подтверждены (протестированы) с использованием одного и того же набора данных SMP в течение 72 часов сценариев прогнозирования.Обе модели представили приемлемые ошибки моделирования с точки зрения RMSE, R ² и значений NSE по сравнению с наблюдаемыми значениями. С производственной точки зрения обе модели могут использоваться для управления и планирования орошения. Модель на основе машинного обучения следует использовать с осторожностью в течение длительного периода времени, поскольку она показала значительное снижение производительности с течением времени, тогда как ошибка модели, основанной на физике, была в основном случайной на протяжении всего периода прогнозирования. Преимущество ML-модели в том, что она проста в реализации, поскольку требует меньших вычислительных затрат для обучения, что практически ничтожно по сравнению с тем же шагом (калибровкой) модели, основанной на физике.С другой стороны, после надлежащей калибровки основанная на физике модель может использоваться для моделирования динамики воды повсюду в пределах области, для которой она была откалибрована, поскольку она выводится из физических законов сохранения массы и гидродинамики. Дальнейшие разработки должны включать сравнение обоих подходов и методов ассимиляции данных, таких как ансамблевый фильтр Калмана, реализованный в рабочем контексте.

Заявление о доступности данных

Наборы данных, созданные для этого исследования, доступны по запросу соответствующему автору.

Авторские взносы

SG участвовал в разработке и применении модели, а также в написании документов. MC и AB внесли свой вклад в калибровку модели, а также в написание статьи. Корректура JL, CP и AR и написание статей. Разработка и корректура модели машинного обучения JG.

Финансирование

Это исследование было поддержано грантом (RDCPJ 477937-14 — Gestion intégrée des ressources en eau dans la production de canneberges) Совета по естественным наукам и инженерным исследованиям (NSERC) Канады.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Авторы признают финансовый вклад Совета по естественным наукам и инженерным исследованиям Канады (NSERC). Они также хотели бы поблагодарить Hortau, Canneberges Bieler, Mont Atocas, Atocas Blandford, Pampev и Ferme Daniel Coutu за их финансовую и техническую поддержку.Данные, подтверждающие выводы этого исследования, доступны у соответствующего автора по обоснованному запросу.

Список литературы

Агилера Ф. и Руис-Валенсуэла Л. (2019). Новый аэробиологический индикатор для оптимизации прогнозов урожайности оливковых культур в районах интенсивного земледелия на юге Испании. Agric. Для. Meteorol. 271, 207–213. DOI: 10.1016 / j.agrformet.2019.03.004

CrossRef Полный текст | Google Scholar

Аллен, Р. Г., Перейра, Л.С., Раес, Д., и Смит, М. (1998). Эвапотранспирация сельскохозяйственных культур — руководство по расчету потребности сельскохозяйственных культур в воде. Ирриг. Осушать. Пап. Рим: ФАО, 56, 326.

Google Scholar

Автовино, Д., Ралло, Г., Провенцано, Г. (2018). Прогнозирование динамики водного статуса почвы и растений в оливковых садах при различных системах орошения с помощью Hydrus-2D: производительность модели и анализ сценария. Agric. Water Manag. 203, 225–235. DOI: 10.1016 / j.agwat.2018.03.015

CrossRef Полный текст | Google Scholar

Байер, В.и Робертсон Г. (1965). Оценка скрытого испарения по простым наблюдениям за погодой. банка. J. Plant Sci. 45, 276–284.

Google Scholar

Бига, Ю., Руссо, А. Н., и Гумьер, С. Дж. (2019). Разработка стационарной модели для прогнозирования суточной глубины грунтовых вод и потенциала почвенного покрова корневой зоны клюквенного поля с системой субирригации. Agric. Water Manag. 213, 1016–1027. DOI: 10.1016 / j.agwat.2018.12.024

CrossRef Полный текст | Google Scholar

Бреди, Ж., Галличанд, Дж., Селикур, П., и Гумьер, С. Дж. (2020). Прогноз глубины водного зеркала на клюквенных полях с использованием двух подходов к моделированию дерева решений. Agric. Water Manag. 233: 106090. DOI: 10.1016 / j.agwat.2020.106090

CrossRef Полный текст | Google Scholar

Каммаллери К., Андерсон М. К., Гао Ф., Хайн К. Р. и Кустас В. П. (2013). Подход слияния данных для картирования суточной эвапотранспирации в масштабе поля. Водные ресурсы. Res. 49, 4672–4686.DOI: 10.1002 / wrcr.20349

CrossRef Полный текст | Google Scholar

Кампорезе М., Дейли Э. и Паникони К. (2015). Моделирование эвапотранспирации на основе уравнения Ричардса в масштабе водосбора посредством переключения граничных условий и схем поглощения корневой воды. Водные ресурсы. Res. 51, 5756–5771. DOI: 10.1002 / 2015WR017139

CrossRef Полный текст | Google Scholar

Карон, Дж., Пеллетье, В., Кеннеди, К. Д., Галличанд, Дж., Гумьер, С., Бонин, С., и др.(2017). Руководство по стратегиям управления ирригацией и дренажем для увеличения производства клюквы и оптимизации водопользования в Северной Америке. банка. J. Почвоведение. 97, 82–91. DOI: 10.1139 / cjss-2016-0086

CrossRef Полный текст | Google Scholar

Феддес Р. А., Бреслер Э. и Нойман С. П. (1974). Полевые испытания модифицированной численной модели поглощения воды корневыми системами. Водные ресурсы. Res. 10, 1199–1206. DOI: 10.1029 / WR010i006p01199

CrossRef Полный текст | Google Scholar

Гюмьер, С.Дж., Пепин, С., Кеннеди, К. Д., и Бланд, В. (2017). Точное земледелие и управление почвенно-водными ресурсами при выращивании клюквы. банка. J. Почвоведение. 97. DOI: 10.1139 / cjss-2016-0143

CrossRef Полный текст | Google Scholar

Хедли, К. Б., Рудье, П., Юл, И. Дж., Эканаяке, Дж., И Брэдбери, С. (2013). Моделирование водного состояния почвы и глубины водного зеркала с использованием электромагнитных исследований для точного планирования полива. Geoderma 199, 22–29. DOI: 10.1016 / j.geoderma.2012.07.018

CrossRef Полный текст | Google Scholar

Лафонд, Дж. А., Гумьер, С. Дж., Халлема, Д. В., Периар, Ю., Ютрас, С., и Карон, Дж. (2015). Модели пространственного распределения доступности воды в почве как инструмент для точного управления орошением в гистосолях: характеристика и пространственная интерполяция. Vadose Zo. J. 14, 1–13. DOI: 10.2136 / vzj2014.10.0140

CrossRef Полный текст | Google Scholar

Ли Б., Ян Г., Ван, Р., Дай, X., и Чжан, Ю. (2016). Сравнение случайных лесов и других статистических методов для прогнозирования уровня воды в озере: тематическое исследование озера Поянху в Китае. Hydrol. Res. 47, 69–83. DOI: 10.2166 / nh.2016.264

CrossRef Полный текст | Google Scholar

Лиав, А., Винер, М. (2002). Классификация и регрессия по случайному лесу. R. News 2, 18–22.

Google Scholar

Майер, Х. Р., Джайн, А., Денди, Г.К., и Судхир, К. П. (2010). Методы, используемые для разработки нейронных сетей для прогнозирования переменных водных ресурсов в речных системах: текущее состояние и будущие направления. Environ. Модель. Мягкий. 25, 891–909. DOI: 10.1016 / j.envsoft.2010.02.003

CrossRef Полный текст | Google Scholar

Маркес, Дж. Ф., Лунд, Дж. Р., Ховитт, Р. Э. (2005). Моделирование орошаемого сельскохозяйственного производства и решений по водопользованию в условиях неопределенности водоснабжения. Водные ресурсы.Res. 41, W08423. DOI: 10.1029 / 2005WR004048

CrossRef Полный текст | Google Scholar

Minacapilli, M., Agnese, C., Blanda, F., Cammalleri, C., Ciraolo, G., D’Urso, G., et al. (2009). Оценка фактического суммарного испарения средиземноморских многолетних культур с помощью удаленных моделей баланса поверхностной энергии, основанных на методах оценки поверхностной энергии Moritz, S., Bartz-Beielstein, T.sensing. Hydrol. Earth Syst. Sci. 13, 1061–1074. DOI: 10.5194 / hess-13-1061-2009

CrossRef Полный текст | Google Scholar

Мориц, С., и Bartz-Beielstein, T. (2017). ImputeTS: условное исчисление отсутствующих значений временного ряда в R. The R J . 9, 207–218.

Google Scholar

Наяк, П. К., Рао, Ю. Р. С., Судхир, К. П. (2006). Прогноз уровня подземных вод в неглубоком водоносном горизонте с использованием подхода искусственной нейронной сети. Водные ресурсы. Manag. 20, 77–90. DOI: 10.1007 / s11269-006-4007-z

CrossRef Полный текст | Google Scholar

Пеллетье, В., Галличанд, Дж., Гумьер, С., Пепин, С., Карон, Дж. (2015). Контроль уровня грунтовых вод для увеличения урожайности и экономии воды при выращивании клюквы. Sustain. 7, 10602–10619. DOI: 10.3390 / su70810602

CrossRef Полный текст | Google Scholar

Пеллетье В., Галличанд С. Дж. И Карон Дж. (2017). Влияние проблем с дренажом на урожайность клюквы: два тематических исследования. банка. J. Почвоведение. 97: 1–4. DOI: 10.1139 / CJSS-2015-0132

CrossRef Полный текст | Google Scholar

Périard, Y., Гумьер, С. Дж., Руссо, А. Н., Кайе, М., Галличанд, Дж., И Карон, Дж. (2017). Оценка дренажной способности клюквенных полей: выявление проблемы с использованием кластеризации почв и разработка нового критерия дренирования. банка. J. Почвоведение. 97, 56–70. DOI: 10.1139 / cjss-2016-0018

CrossRef Полный текст | Google Scholar

Провенцано Г., Синобас Л. Р. (2014). Спецвыпуск о тенденциях и проблемах устойчивого орошаемого земледелия. Дж.Ирриг. Осушать. Англ. 140: A2014001. DOI: 10.1061 / (ASCE) IR.1943-4774.0000773

CrossRef Полный текст | Google Scholar

Цюй К., Го Ф., Лю X., Линь Ю. и Цзоу К. (2019). Применение машинного обучения в микробиологии. Фронт. Microbiol. 10, 1–10. DOI: 10.3389 / fmicb.2019.00827

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ралло Г., Минакапилли М., Чираоло Г. и Провенцано Г. (2014). Определение состояния воды сельскохозяйственных культур в зрелых оливковых рощах с использованием спектральных измерений растительности. Биосист. Англ. 128, 52–68. DOI: 10.1016 / j.biosystemseng.2014.08.012

CrossRef Полный текст | Google Scholar

Rekika, D., Caron, J., Rancour, G. T., Lafond, J. A., Gumiere, S.J., Jenni, S., et al. (2014). Оптимальный полив для выращивания лука и сельдерея и проращивания семян шпината в Histosols. Агрон. J. 106, 981–984. DOI: 10.2134 / agronj2013.0235

CrossRef Полный текст | Google Scholar

Родригес-Галиано, В., Мендес, М.П., Гарсия-Сольдадо, М.Дж., Чика-Олмо, М., и Рибейро, Л. (2014). Прогнозное моделирование загрязнения подземных вод нитратами с использованием случайных лесов и переменных из нескольких источников, связанных с внутренней и конкретной уязвимостью: тематическое исследование в сельскохозяйственных условиях (Южная Испания). Sci. Total Environ. 476–477, 189–206. DOI: 10.1016 / j.scitotenv.2014.01.001

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Шимуонек, и Хопманс, Дж. У. (2002). «Оптимизация 1,7 параметра и нелинейная подгонка», в Методы анализа почвы, Часть 4, Физические методы , под ред. Дэйна, Дж.Х. и Топп Г. К. (Мэдисон, Висконсин: публикации SSSA), 139–157. DOI: 10.2136 / sssabookser5.4.c7

CrossRef Полный текст | Google Scholar

Шимунек, Дж., Ярвис, Н. Дж., Ван Генухтен, М. Т., и Гарденас, А. (2003). Обзор и сравнение моделей для описания неравновесного и предпочтительного потока и переноса в зоне аэрации. J. Hydrol. 272, 14–35. DOI: 10.1016 / S0022-1694 (02) 00252-4

CrossRef Полный текст | Google Scholar

Сингх К.П., Гупта, С., и Мохан, Д. (2014). Оценка влияния сезонных колебаний и антропогенной деятельности на гидрохимию аллювиальных подземных вод с использованием подходов ансамблевого обучения. J. Hydrol. 511, 254–266. DOI: 10.1016 / j.jhydrol.2014.01.004

CrossRef Полный текст | Google Scholar

Смит Д. и Пэн В. (2009). «Подходы машинного обучения для классификации почв в системе управления многоагентным дефицитом орошения», в Proceedings IEEE Xplore Conference: Industrial Technology (Gippsland, VIC), 1–6.DOI: 10.1109 / ICIT.2009.4939641

CrossRef Полный текст | Google Scholar

Ван Генухтен, М. Т. (1980). Уравнение в замкнутой форме для прогнозирования гидравлической проводимости ненасыщенных грунтов 1. Soil Sci. Soc. Являюсь. J. 44, 892–898.

Google Scholar

Ван Х., Лю Т., Чжэн Х., Пэн Х., Синь Дж. И Чжан Б. (2018). Краткосрочное прогнозирование уровня подземных вод с использованием улучшенной случайной регрессии леса с комбинацией случайных характеристик. Заявл. Water Sci. 8, 1–12. DOI: 10.1007 / s13201-018-0742-6

CrossRef Полный текст | Google Scholar

Ву В., Денди Г. К. и Майер Х. Р. (2014). Протокол разработки моделей ИНС и его применение для оценки качества процесса разработки модели ИНС при моделировании качества питьевой воды. Environ. Модель. Софтв. 54, 108–127. DOI: 10.1016 / j.envsoft.2013.12.016

CrossRef Полный текст | Google Scholar

Юн, Х., Jun, S.-C., Hyun, Y., Bae, G.-O., и Lee, K.-K. (2011). Сравнительное исследование искусственных нейронных сетей и опорных векторных машин для прогнозирования уровней грунтовых вод в прибрежном водоносном горизонте. J. Hydrol. 396, 128–138. DOI: 10.1016 / J.JHYDROL.2010.11.002

CrossRef Полный текст | Google Scholar

Финансовое моделирование для владельцев бизнеса и предпринимателей — разработка моделей Excel для увеличения капитала, увеличения денежного потока, улучшения операций, планирования проектов и принятия решений | Том Ю.Сойер

Финансовое моделирование для Владельцы бизнеса и предприниматели : Разработка моделей Excel для увеличения капитала, увеличения денежного потока, улучшения операций, планирования проектов и принятия решений может быть одной из самых важных книг любого предпринимателя или менеджера в небольшом или средний бизнес прочитает. Он сочетает в себе логические бизнес-принципы и стратегии с пошаговой методологией планирования и моделирования компании и решения конкретных бизнес-задач.Вы научитесь создавать в Excel операционные и финансовые модели, которые описывают работу вашей компании в количественном выражении и повышают вероятность того, что вы избежите ловушек и тупиков, в которые попадают многие компании.

Серийный предприниматель и финансовый эксперт Том Ю. Сойер показывает, как разбить вашу компанию на основные функциональные и операционные компоненты, которые можно смоделировать. Результатом является финансовая модель, которую, например, вы можете буквально передать в банк или передать местным бизнес-ангелам, чтобы получить финансирование, необходимое для запуска вашего бизнеса или нового продукта.Или это может быть модель, которая с поразительной ясностью показывает, что ваши усилия по разработке нового продукта являются вероятным победителем или проигравшим. Более того, вы научитесь создавать модели, которые будут служить ориентирами для текущих операций. Вы всегда будете знать, где вы находитесь в финансовом отношении и где вам нужно быть. Модели, которые вы научитесь строить в Финансовое моделирование для владельцев бизнеса и предпринимателей можно использовать для:

• мобилизации капитала для стартапа или любой стадии роста
• планирования проектов и новых инициатив
• принятия взвешенных бизнес-решений , включая оценки «годен / не годен»
• Анализируйте рентабельность инвестиций на разработку продукта и маркетинговые расходы
• Оптимизируйте операции, управляйте бюджетами, повышайте эффективность и сокращайте расходы
• Оцените бизнес, когда пришло время обналичить или объединить

Помимо множества ценных упражнений и советов по использованию Excel для моделирования вашего бизнеса, эта книга содержит комбинацию практических советов, рожденных с трудом извлеченных уроков, передового стратегического мышления и проницательного использования сложных навыков.Предполагая базовые знания Excel, вы научитесь думать как опытный деловой человек, который ожидает, что будет зарабатывать деньги на товарах или услугах, предлагаемых населению. Вы обнаружите, что финансовая модель — это ключевой инструмент управления, который при правильном построении оказывает неоценимую помощь на каждом этапе предпринимательского пути.

Том И. Сойер использовал принципы, содержащиеся в этой книге, для создания финансовых моделей многочисленных стартапов и компаний на ранней стадии, помогая им в планировании и привлечении капитала, необходимого для развития их бизнеса и, в конечном итоге, выхода из них с кратностью их первоначального инвестиции. Финансовое моделирование для владельцев бизнеса и предпринимателей , получив степень мини-MBA в области предпринимательства и финансов, покажет вам, как вы можете сделать то же самое.

Примечание. Эта книга представляет собой обновленную версию книги Сойера 2009 г. « Pro Excel Financial Modeling ».

Business Analytics: Искусство моделирования с помощью электронных таблиц, 5-е издание

ПРЕДИСЛОВИЕ XI

ОБ АВТОРАХ XV

ГЛАВА 1 ВВЕДЕНИЕ 1

1.1 Модели и моделирование 1

1.1.1 Зачем изучать моделирование? 2

1.1.2 Модели в бизнесе 2

1.1.3 Модели в бизнес-образовании 3

1.1.4 Преимущества бизнес-моделей 3

1.2 Роль электронных таблиц 4

1.2.1 Риски использования электронных таблиц 5

1.2.2 Проблемы для пользователей электронных таблиц 6

1.2.3 Базовые знания для моделирования электронных таблиц 7

1.3 Реальный мир и модельный мир 7

1.4 Уроки от экспертов и новичков в моделировании 9

1.4.1 Эксперты по моделированию 9

1.4.2 Новички в моделировании 11

1.5 Организация книги 12

1.6 Резюме 13

Рекомендуемая литература 14

ГЛАВА 2 МОДЕЛИРОВАНИЕ В A РАМКИ ДЛЯ РЕШЕНИЯ ПРОБЛЕМ 15

2.1 Введение 15

2.2 Процесс решения проблем 16

2.2.1 Некоторые ключевые термины 16

2.2.2 Шестиэтапный процесс решения проблем 18

2.2.3 Ментальные модели и формальные модели 23

2.3 Диаграммы влияния 24

2.3.1 Первый пример 25

2.3.2 Отчет о доходах как диаграмма влияния 27

2.3.3 Принципы построения диаграмм влияния 27

2.3. 4 Два дополнительных примера 28

2.4 Ремесленные навыки для моделирования 31

2.4.1 Упростите проблему 33

2.4.2 Разбейте проблему на модули 34

2.4.3 Создайте прототип и доработайте его 35

2.4.4 Набросок графиков ключевых взаимосвязей 38

2.4.5 Определение параметров и анализ чувствительности 39

2.4.6 Отделение создания идей от их оценки 41

2.4.7 Обратный ход от желаемого ответа 42

2.4.8 Сосредоточьтесь на структуре модели, а не на сборе данных 43

2.5 Резюме 45

Рекомендуемая литература 46

Упражнения 46

ГЛАВА 3 ИНЖЕНЕРНАЯ ТАБЛИЦА 49

3.1 Введение 49

3.2 Разработка электронной таблицы 51

3.2.1 Создание эскиза электронной таблицы 51

3.2.2 Организация электронной таблицы по модулям 52

3.2.3 Начните с малого 53

3.2.4 Изолирование входных параметров 54

3.2 .5 Дизайн для использования 54

3.2.6 Сохраняйте простоту 54

3.2.7 Дизайн для коммуникации 55

3.2.8 Документирование важных данных и формул 55

3.3 Создание рабочей тетради 57

3.3.1 Использование отдельных рабочих листов для группировки схожих видов информации 58

3.3.2 Разработка рабочих книг для простоты навигации и использования 59

3.3.3 Разработка рабочей книги как системы поддержки принятия решений 60

3.4 Создание рабочей книги 62

3.4 .1 Следуйте плану 62

3.4.2 Создавайте по одному листу или модулю за раз 62

3.4.3 Прогнозируйте результат каждой формулы 62

3.4.4 Тщательно копируйте и вставляйте формулы 62

3.4.5 Используйте относительные и абсолютная адресация для упрощения копирования 62

3.4.6 Использование мастера функций для обеспечения правильного синтаксиса 63

3.4.7 Использование имен диапазонов для облегчения чтения формул 63

3.4.8 Выбор входных данных для выявления ошибок 64

3.5 Тестирование книги 64

3.5. 1 Проверка достоверности численных результатов 64

3.5.2 Проверка правильности формул 65

3.5.3 Проверка достоверности характеристик модели 68

3.6 Резюме 68

Рекомендуемые показания 69

Упражнения 69

ГЛАВА 4 АНАЛИЗ С ПОМОЩЬЮ ТАБЛИЦЫ 71

4.1 Введение 71

4.2 Анализ базового случая 72

4.3 Анализ «что если» 72

4.3.1 Бенчмаркинг 73

4.3.2 Сценарии 74

4.3.3 Параметрическая чувствительность 77

4.3.4 Диаграммы торнадо 79

4.4 Анализ безубыточности 81

4.5 Анализ оптимизации 83

4.6 Моделирование и анализ рисков 84

4.7 Резюме 85

Упражнения 85

ГЛАВА 5 ИССЛЕДОВАНИЕ И ПОДГОТОВКА ДАННЫХ 89

5.1 Введение 89

5.2 Структура набора данных 90

5.3 Типы данных 93

5.4 Исследование данных 93

5.4.1 Понимание данных 94

5.4.2 Организация и подгруппа данных 94

5.4.3 Изучение отдельных переменных Графически 98

5.4.4 Вычислить сводные показатели для отдельных переменных 99

5.4.5 Графически проверить взаимосвязи между переменными 101

5.4.6 Изучить взаимосвязи между переменными в числовом виде 105

5.5 Подготовка данных 109

5.5.1 Обработка отсутствующих данных 109

5.5.2 Обработка ошибок и выбросов 111

5.5.3 Группирование непрерывных данных 111

5.5.4 Преобразование категориальных данных 111

5.5.5 Функциональные преобразования 112

5.5.6 Нормализации 113

5.6 Резюме 113

Рекомендуемая литература 114

Упражнения 114

ГЛАВА 6 КЛАССИФИКАЦИЯ И МЕТОДЫ ПРОГНОЗИРОВАНИЯ 117

6.1 Введение 117

6.2 Предварительные сведения 117

6.2.1 Процесс интеллектуального анализа данных 118

6.2.2 Проблема переобучения 118

6.2.3 Разделение набора данных 120

6.2.4 Меры качества модели 120

6.2.5 Выбор переменных 125

6.2.6 Установка порогового значения в классификации 126

6.3 Деревья классификации и прогнозирования 127

6.3.1 Деревья классификации 128

6.3.2 Применение деревьев классификации 130

6.3.3 Деревья прогнозов 137

6.3.4 Применение деревьев прогнозов 138

6.3.5 Ансамбли деревьев 141

6.4 Дополнительные алгоритмы для классификации 143

6.4.1 Логистическая регрессия 144

6.4.2 Наивный Байес 150

6.4.3 k-ближайшие соседи 158

6.4.4 нейронные сети 162

6.5 дополнительные алгоритмы для прогнозирования 169

6.5.1 множественная линейная регрессия 169

6.5.2 k-ближайшие соседи 177

6.5.3 Нейронные сети 178

6.6 Сильные и слабые стороны алгоритмов 181

6.7 Практические советы 182

6.8 Резюме 183

Рекомендуемая литература 184

Упражнения 184

ГЛАВА 7 КРАТКОСРОЧНОЕ ВВЕДЕНИЕ 187