doi: 10.15389/agrobiology.2025.1.70rus
УДК 579.64:631.452:004.032.26
Подготовлено при финансовой поддержке Российского научного фонда (проект № 23-26-00234).
НЕЙРОСЕТЕВОЕ РАНЖИРОВАНИЕ АГРОТЕХНОЛОГИЙ
ПО ИНДЕКСАМ МИКРОБИОЛОГИЧЕСКОЙ АКТИВНОСТИ ПОЧВЫ
И ПОЧВЕННОГО ПЛОДОРОДИЯ: НОВЫЕ ВОЗМОЖНОСТИ
СТАТИСТИЧЕСКОГО АНАЛИЗА
Н.И. ВОРОБЬЕВ1, 2 ✉
Нейросети позволяют извлекать ранее недоступную информацию из физиологических и молекулярно-генетических данных и визуализировать неявные зависимости. В представленной работе мы применили нейросетевой подход для анализа данных Ю.М. Возняковской с соавт. (Сельскохозяйственная биология, 1994), полученных в длительном опыте (1962-1991 годы, Северо-Западный регион Российской Федерации) по изучению влияния севооборотов и минеральных удобрений на микробиологические и биохимические характеристики дерново-подзолистых почв под картофелем и ячменем. В опыте, цель которого заключалась в выявлении микробиологических показателей, наиболее четко характеризующих уровень плодородия почвы, был определен состав почвенных микроорганизмов, измерена интенсивность выделения СО2, разложения целлюлозы, активности почвенных полифенолоксидаз и пероксидаз как показателей интенсивности процессов гумификации растительных остатков, а также инвертаз и уреаз для оценки накопления нитратов и аммония в почве. На этом основании к наиболее информативным микробиологическим показателям уровня эффективного плодородия почв авторы отнесли общую биогенность почвы, видовое разнообразие почвенных микроорганизмов, соотношение трофических групп микроорганизмов, граф трофических связей. Проведенный в настоящей работе анализ фрактальных профилей физиологических групп микроорганизмов, выделяемых на селективных средах, продемонстрировал уникальные возможности статистического анализа с привлечением вычислительных нейросетей. Их применение для обработки эмпирических микробиологических и физико-биохимических почвенных данных опыта Ю.М. Возняковской с соавторами позволило определить специфичность воздействия элементов использованных агротехнологий на плодородие почв под разными культурами. Микробиологическая активность почвы и почвенное плодородие представляют собой данные, характеризующие разнородные биологические объекты — почвенное микробное сообщество (индекс CSImicro) и растения (CSIyield), где CSI — Cognitive Salience Index. Поэтому для визуализации зависимости CSIyield = f(CSImicro) нами была использована нейросеть с построением матрицы Scale, ячейки которой с координатами CSIyield;CSImicro заполнялись соответствующими номерами варианта опыта. Фрактальные профили почвенных физиологических групп микроорганизмов, полученные в опыте, были подвергнуты нейросетевому анализу. В результате по виду матрице Scale удалось оценить зависимость CSIyield = f(CSImicro) и влияние удобрительных и севообротных агротехнологий на интенсивность накопления гумуса в почве и плодородие почв. В результате обнаружено, что максимальное значение индекса почвенного плодородия CSIyield не совпадает с максимальным значением индекса микробиологической активности почвы CSImicro. Предложенные нами оригинальные индексы позволяют оптимизировать агротехнологии применения органоминеральных удобрений и бактериальных препаратов для получения стабильно высоких урожаев сельскохозяйственных культур.
Ключевые слова: корреляционный анализ, кластерный анализ, дискриминантный анализ, фрактальный анализ микробиоты, вычислительная нейронная сеть, микробиологическая активность почвы, почвенное плодородие.
N.I. Vorobyov1,2 ✉
Neural networks make it possible to extract previously inaccessible information from physiological and molecular genetic data and visualize implicit relationships. In the presented work we applied the neural network approach to analyze the data of Yu.M. Vozniakovskaya et al. (Sel’skokhozyaistvennaya Biologiya/Agricultural Biology, 1994) obtained in a long-term experiment (1962-1991, North-West region of the Russian Federation) on the influence of crop rotations and mineral fertilizers on microbiological and biochemical characteristics of sod-podzolic soils under potato and barley. The experiment, the aim of which was to identify microbiological indicators that most clearly characterize the level of soil fertility, determined the composition of soil microorganisms, measured the intensity of CO2 release, cellulose decomposition, activity of soil polyphenol oxidases and peroxidases as indicators of the intensity of plant residue humification, as well as invertases and ureases to assess the accumulation of nitrates and ammonium in the soil. On this basis, the authors attributed the most informative microbiological indicators of the level of effective soil fertility to the general soil biogenicity, species diversity of soil microorganisms, the ratio of trophic groups of microorganisms, and the graph of trophic relationships. In the present work, the analysis of fractal profiles of microbial physiological groups isolated on selective media demonstrated unique possibilities of statistical analysis using computational neural networks. Their application for processing empirical microbiological and physico-biochemical soil data reported by Yu.M. Vozniakovskaya et al., 1994 allowed determination of the specificity of the impact of the used agrotechnology elements on soil fertility under different crops. Soil microbiological activity and soil fertility are data characterizing heterogeneous biological objects? Soil microbial community (CSImicro index) and plants (CSIyield index), where CSI means Cognitive Salience Index. Therefore, to visualize the function CSIyield = f(CSImicro) we used neural network with the construction of Scale matrix the cells of which with coordinates CSIyield;CSImicro were filled with corresponding numbers of treatment variants. For this purpose, fractal profiles of soil microbial physiological groups of microorganisms obtained in the experiment were subjected to neural network analysis. As a result, form the Scale matrix, it was possible to estimate the function CSIyield = f(CSImicro) and the influence of fertilizer and crop rotation agrotechnologies on the intensity of humus accumulation in soil and soil fertility. It was found that the maximum soil fertility index CSIyield did not coincide with the maximum value of soil microbiological activity index CSImicro. The original indices proposed by us allow optimization of agrotechnologies for organ mineral fertilizers and bacterial preparations to obtain stably high yields of agricultural crops.
Keywords: soil microbiological activity, soil fertility, fractal analysis of microbiota, correlation analysis, cluster analysis, discriminant analysis, computational neural network.
1ФГБНУ Всероссийский НИИ сельскохозяйственной 2ФГБОУ ВО Московская государственная академия ветеринарной медицины и биотехнологии им. К.И. Скрябина, |
Поступила в редакцию Принята к публикации |
