Разработка и применение системы поливариантного анализа динамических моделей продукционного процесса культурных растений тема диссертации и автореферата по ВАК РФ 06.01.03, кандидат наук Медведев, Сергей Алексеевич

• Медведев, Сергей Алексеевич
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Медведев, Сергей Алексеевич

Содержание

Введение

Глава 1. Современные системы математического моделирования в 8 сельском хозяйстве и экологии

1.1. Модели продукционного процесса в современном земледелии

1.2. Инфраструктура модели продукционного процесса

1.3. Универсальная оболочка моделей продукционного процесса GUICS

1.4. Система поливариантного расчёта DSSAT

1.5. Технология структурной идентификации OpenMl

1.6. Система моделирования лесных экосистем DLES

1.7. Сравнительная характеристика описанных систем 26 Глава 2. Теоретические основы поливариантного расчёта

2.1. Основные понятия

2.2. Требования к структуре данных в системе поливариатного расчёта

2.3. Методы обработки данных при поливариантном расчёте

2.4. Прецеденты использования системы поливариантного расчёта 53 Глава 3. Технические аспекты реализации системы APEX

3.1. Расширение метаинформации в реляционных СУБД

3.2. Структура Базы Данных в системе APEX

3.3. Адаптеры для подключения внешних моделей

3.4. Методика разработки пользовательского интерфейса 83 Глава 4. Применение системы APEX в задачах теоретической

агроэкологии

4.1. Идентификация параметров динамической модели

4.2. Оптимизация полива в засушливых регионах

4.3. Исследование влияния климатических изменений на агроэкосистему 115 Глава 5. Применение системы APEX в задачах точного земледелия

5.1. Учёт неоднородности почвенного покрова

5.2. Оперативное сопровождение производственных посевов 134 Заключение 143 Список литературы

Введение диссертации (часть автореферата) на тему «Разработка и применение системы поливариантного анализа динамических моделей продукционного процесса культурных растений»

Введение

Важным инструментом при внедрении современных наукоемких технологий в традиционную практику растениеводства выступают прикладные динамические модели продукционного процесса сельскохозяйственных растений (Acock, 1989). Особенно значимой становится их роль в качестве интеллектуального ядра компьютерных систем поддержки агротехнологических решений в рамках новых перспективных трендов развития сельскохозяйственной отрасли - устойчивого и точного земледелия (Blackmore et al, 1994; Якушев и др., 2001; Якушев, 2002). Динамическая модель агроэкосистемы представляет собой алгоритм, позволяющий по исходным данным о внешних факторах (погода и агротехника) рассчитать динамику сельскохозяйственного посева в течение всего сезона вегетации - от сева до уборки и интерпретировать полученные результаты в терминах содержательных показателей - урожая, сроков наступления фенофаз и других индикаторы роста и развития растений (Passioura, 1996). Использование модельных расчетов позволяет существенно упростить анализ множества альтернативных решений и выбор оптимальных агротехнологий по сравнению с традиционным подходом, основанном на многолетних полевых опытах (Полуэктов, 1991).

Модели продукционного процесса имеют полувековую историю (Шатилов и др., 1976), однако лишь с появлением на массовом рынке персональных компьютеров они получили широкое распространение в прикладной сфере (Полуэктов, Якушев, 2003). К этому моменту посредством теоретических исследований был наработан большой интеллектуальный потенциал в сфере моделирования, что позволило моделям продукционного процесса быстро занять свою нишу, используя многолетние наработки. Важнейшим моментом, характеризующим современное состояние моделирования в сельском хозяйстве, стало появление сред запуска моделей (Yule et al, 1995).

Необходимость таких сред обусловлена тем, что модель в чистом виде

представляет собой вычислительный алгоритм. Сам по себе, без входных

2

данных и средств вывода результатов, он бесполезен. Для того чтобы передать модели входные данные и получить результаты, используются средства информационной поддержки модели. Как правило, они реализуются в виде базы данных, которая обеспечивает хранение совокупности показателей, необходимых для функционирования модели. Кроме этого, среда запуска моделей должна предоставлять дружественный пользовательский интерфейс, с помощью которого можно сформировать нужные условия прогона модели и проанализировать полученные результаты. Таким образом, прикладная система имитационного моделирования может быть схематически описана таким образом:

Графическая оболочка

Пользователь

Запуск

Модель продукционного процесса

Входные данные

Условия прогона

Результаты

/

\

Средства информационной поддержки модели

Результаты

Рис В1. Схема работы системы имитационного моделирования

В простейшем варианте эта схема позволяет сформировать необходимый набор данных для однократного прогона модели и визуализировать результаты расчётов. Однако однократный прогон модели даёт лишь минимальную информацию о поведении моделируемой системы. Для решения научных и практических задач требуется организовать систему

многократных прогонов модели, варьируя по тем или иным правилам входные данные. В монографии Р.Шеннона «Имитационное моделирование систем - искусство и наука» (М.: Мир, 1978) содержится исчерпывающее определение метода: «Имитационное моделирование - это процесс конструирования модели реальной системы и постановки экспериментов на этой модели с целью либо понять поведение системы, либо оценить различные стратегии управления, обеспечивающие функционирование системы в заданных границах». В соответствии с этим определением, организация имитационного эксперимента с многократным прогоном модели становится центральной задачей в разработке оболочки этой модели.

Здесь необходимо сделать важное замечание, касающееся именно моделей агроэкологических систем. На настоящий момент развита мощная теория организации полевых, или натурных экспериментов над сельскохозяйственными посевами (Доспехов, 1979). Однако компьютерный вычислительный эксперимент с моделями продукционного процесса является полноценной заменой полевого опыта, поэтому к нему должны в полной мере относиться все методические принципы организации и обработки данных полевых экспериментов.

При создании среды имитационного моделирования существует ряд специфических задач, которые не рационально решать на уровне самой модели, лучше сделать так, чтобы за многократный прогон модели, формирование наборов входных данных, проварьированных различными способами, а также за анализ полученных результатов отвечала сама среда. Это позволит отвязать её от модели продукционного процесса, в результате чего среду имитационного моделирования можно будет использовать с любой моделью, оформленной подходящим образом. Таким образом, инструменты среды имитационного моделирования должны быть вынесены за рамки модели, и работать вне зависимости от того, какая именно модель используется в вычислительном компьютерном эксперименте. Это приводит

к необходимости решения проблемы интеграции произвольной внешней модели и системы имитационного моделирования.

Практика показывает, что проблема интеграции как таковой в программировании является весьма сложной и актуальной (Gold-Bernstein, Ruh, 2004). Для её решения разработана масса методологий и инструментов, однако в каждом конкретном случае всё равно приходится решать нетривиальные специфические задачи.

После того, как модель интегрирована в систему имитационного моделирования, появляется возможность решать прикладные задачи. Типичные прецеденты использования моделей продукционного процесса показаны в таблице:

Таблица 1. Задачи, требующие поливариантного анализа динамической

модели агроэкосистемы (Полуэктов и др., 2006).

'"Задана - ..-Ь г.. ........................"^^т^г-.....;;.....'""^ЦЖ "А^ 1 '¿'......V У-и Источник вариантности данных

1. Параметрическая идентификация модели Перебираемые значения параметров

2. Оперативный прогноз урожайности в течение сезона вегетации Сценарии погоды

3. Поиск оптимальных агротехнологических решений Разные варианты технологий (сроки и нормы технологических воздействий)

4. Исследование влияния климатических изменений на агроэкосистему Синтетические сценарии погоды для будущего климата

5. Точное земледелие (Войта е1 а1, 1999) Пространственная неоднородность посева и почвенного покрова.

Цель работы: создание многофункциональной среды поливариантного анализа динамических моделей продукционного процесса сельскохозяйственных растений как инструмента теоретических исследований в агроэкологии и поддержки принятия решений в растениеводстве. К числу основных задач работы относятся:

• Разработка и апробация единой методики планирования и проведения многофакторных компьютерных экспериментов с произвольными динамическими моделями агроэкосистемы.

• Реализация компьютерной системы поливариантного анализа динамических моделей продукционного процесса сельскохозяйственных культур.

• Проведение исследований с использованием разработанной системы для решения ряда типовых задач теоретической и практической направленности.

Методика исследований. В проведенных исследованиях использованы методы математического моделирования, теоретической и прикладной информатики, планирования экспериментов, организации и ведения баз данных. Реализация системы поливариантных расчетов осуществлена с использованием визуального проектирования и современных методологий к разработке программного обеспечения: компонентно-ориентированного подхода, инверсий управления и внедрения зависимостей.

Научная новизна работы состоит в том, что впервые предложена концепция информационной системы, в полной мере реализующая два функциональных требования, предъявляемых к средам имитационного моделирования общего назначения: обеспечение поливариантного расчёта и наличие универсальной оболочки для подключения произвольных моделей. В ходе разработки системы был впервые применен оригинальный подход к хранению в единой реляционной структуре данных, относящихся к информационным доменам разного уровня абстракции.

Основные положения, представляемые к защите.

• Вычислительный компьютерный эксперимент с динамической моделью продуктивности является эффективной заменой полевого опыта, и к нему могут и должны быть применены специально адаптированные методики планирования, проведения и анализа

результатов, использующиеся в теории опытного дела.

6

• Разработанная универсальная среда поливариантного анализа компьютерных моделей продукционного процесса представляет собой мощный и удобный инструмент организации многофакторных компьютерных экспериментов.

• Многочисленные приложения созданного программного продукта в качестве инструмента решения типовых задач однозначно свидетельствуют о его полезности и востребованности как в научных исследованиях, так и в практике сельскохозяйственного производства.

Теоретическая значимость работы заключается в разработке концептуального подхода к способу работы с базами данных, структуру которых в определённых пределах может менять пользователь, решение задач организации данных в системе имитационного моделирования, позволяющее ограниченным набором инструментов решать широкий круг задач.

Практическая значимость работы заключается в создании компьютерной информационной системы поливариантного расчёта и организации многофакторного компьютерного эксперимента с динамическими моделями агроэкосистемы и ее использовании для решения разнообразных задач агрономической направленности: анализ и оптимизация агротехнологий, динамический прогноз темпов развития и продуктивности сельскохозяйственных посевов, выделение единиц управления в точном земледелии.

Личный вклад автора. Проектирование архитектуры и программная реализация компьютерной системы поливариантного анализа APEX были выполнены в полном объеме лично автором настоящей работы. Компьютерные эксперименты с использованием разработанной системы для решения описанных задач теоретической и прикладной направленности осуществлялись при непосредственном участии соискателя; при этом степень вовлеченности автора в планирование, проведение и обработку результатов компьютерных экспериментов составляла от 60 до 80 процентов.

Глава 1. Современные системы математического моделирования в сельском хозяйстве и экологии

1.1. Модели продукционного процесса в современном земледелии.

Впервые задача математического описания продуктивности посевов в условиях сельскохозяйственного поля была сформулирована в работе японских авторов Monsi M., Saeki Т (1953). Однако прошел достаточно большой период времени до тех пор, пока эта проблематика стала приобретать достаточно большие масштабы. В нашей стране работы по моделированию начали развиваться первоначально группой ученых под руководством Ю.К. Росса. Вскоре к этому коллективу примкнули и другие. В целом теория и практика моделирования формировалась в трудах таких исследователей как Ю.К.Росс, С.В.Нерпин, Н.Ф.Бондаренко, Г.В.Менжулин, Р.А.Полуэктов, О.Д.Сиротенко, Е.П.Галямин, Х.Г.Тооминг, А. Лайск и др. На западе основные результаты были получены такими учеными как: De Wit, Penning de Fries, Curry R.R., Chen L.H. Brooks R.M., Corey A.T., Goudriaan J., Hanks J., Ritchie J.T., Diepen C.A., Thornley J. H. M, Van Genuchten, M. Th. et al, Mirschel, Wenkel. В результате были разработаны основные принципы моделирования, обоснованы алгоритмы описания как отдельных составляющих продукционного процесса и процесса в целом, созданы многочисленные программные комплексы.

В последние годы рассматриваемая проблематика приобретает не только теоретическое, но и значительное практическое значение. Известный проект MARS (Monitoring Agriculture with Remote Sensing), реализованный в рамках EC и обслуживающий территорию большинства стран Западной Европы и некоторых стран Восточной Европы в качестве своей составной части использует динамическую модель WOFOST (Diepen С.A et al, 1988). В нашей стране также осуществляется разработка системы мониторинга сельскохозяйственных угодий, которая должна охватывать значительную часть

территории страны. В этой системе для решения ряда прогнозных задач также предполагается использовать динамические модели (Полуэктов и др., 1979).

Модель - это программно реализованная совокупность алгоритмов, описывающих комплекс процессов, протекающих системе «почва -растительной покров - приземный воздух» с учётом возможных агротехнологических воздействий (Сиротенко, 1981).

Возникшая в конце прошлого века парадигма т.н. точного земледелия (precision agriculture) является принципиально новым подходом к формированию методов принятия решений в сельском хозяйстве. Развитие этой проблематики связано с работами таких зарубежных исследователей как Blackmore B.S., Bouma J., Yule, T.J. et al. Итоги определенного этапа исследований в нашей стране подведены в монографии В.П.Якушева «На пути к точному земледелию» (Якушев В.П., 2002). Стремление к достижению максимальной эффективности сельского хозяйства, положенное в основу концепции точного земледелия, в частности, проявляется в том, чтобы для решения многих задач заменить традиционные полевые опыты вычислительными компьютерными экспериментами с моделями продукционного процесса (Yakushev, Yakushev, 2008).

1.2. Инфраструктура модели продукционного процесса

Как отмечено во Введении, любой имитационно-моделирующий комплекс должен включать три основные части. Это:

• собственно динамическая модель;

• информационное обеспечение задач моделирования;

• управляющая программа с интерфейсом пользователя (оболочка модели).

К структуре и реализации каждой из подсистем предъявляются свои особые

требования. Основным требованием, предъявляемым к модели, является по

возможности полное и адекватное отражение физической и биологической

сущности процессов, протекающих в почве, приземном воздухе и в самом

9

растительном покрове. Структура информационного обеспечения должна обеспечивать эффективный доступ к данным, относящимся к различным моделируемым явлениям, с возможностью свободно комбинировать их друг с другом (Van Evert, Campbell, 1994). Что касается оболочки модели, то основное требование, предъявляемое к ней, - это простота и удобство работы пользователя в процессе проведения компьютерных экспериментов (Denisov, 2001).

Указанные требования к подсистемам диктуют для каждой из них свои особенности технической реализации. Процессы, имеющие место в почве, приземном воздухе и растительном покрове, как правило, описываются системой дифференциальных уравнений в обыкновенных или в частных производных. Эти уравнения связны между собой некоторыми конечными соотношениями. Поэтому возникают два вопроса:

• выбор численной схемы решения дифференциальных уравнений;

• выбор алгоритма согласования решений отдельных уравнений.

При решении уравнений, прежде всего, производится их преобразование в конечно - разностные соотношения. Для этого должен быть выбран шаг интегрирования по времени и по пространственной координате. В большинстве современных моделей шаг моделирования по времени принят равным одним суткам. При этом требование, предъявляемое к точности решения дифференциальных уравнений, приводит к необходимости дробления этого шага. Так, например, в имитационно - моделирующей системе AGROTOOL, разработанной в Лаборатории моделирования агроэкосистем Агрофизического НИИ (АФИ) при общем суточном шаге счета уравнение динамики почвенной влаги интегрируется с внутренним часовым шагом (Poluektov et al, 2002). Точно с таким же шагом производится расчет интенсивности фотосинтеза за очередные сутки. В наиболее распространенных одномерных моделях шаг по вертикальной координате (глубине почвенного профиля) равен 10 см, хотя он при необходимости может варьироваться. Для согласования же решений отдельных уравнений обычно используется подходящая итерационная процедура (Самарский, 1977).

Рис 1.1. Схема взаимодействия СБД и ОВД.

Возможную структуру информационной поддержки модели рассмотрим на примере моделирующего комплекса AGROTOOL. v.3 (Poluektov, 2002). Он основан на использовании базы данных, сопровождаемой специализированной системой управления, т.н. СУБД. База данных модели, реализованная в СУБД Access, представляет собой иерархическую реляционную структуру, состоящую из приблизительно 40 реляционных таблиц. На верхнем уровне иерархии содержатся данные о погоде, измеряемые либо на метеопосте хозяйства, либо на ближайшей метеостанции. Следующий уровень составляет информация об опытном (или производственном) хозяйстве. Дальнейшие уровни содержат данные о полевых опытах, культурах, полях, и вариантах опыта. Упрощенная концептуальная схема базы данных (БД) приведена на рис. 1.2.

Погодные данные

Метеостанция

Имя ЬА

Широта ЭР

Долгота ЭР

Высота Р

Погодные данные Р

Хозяйство

Имя 11А Широта ЭР Долгота БР Высота И

Погодные данные

Характеристики полей

1

Попе

Тип почвы ЬА

Разновидностыгочвы 1-А

Агрофизические характеристики И Агрохиническин характеристики Р

Технология

Название Вариантов

Полевой опыт

И ня 1А Год начала Б Автор ЬА

Севооборот

Варианты опыта

Агровариант

Культура ЬА Поле I

Метеопост

Погодные данные Р

Имя 1А Культура ЬА Год Б Попе I

Культура

Параметры культуры Р

Группа культур

Парамеиры группы культур Р

Измерения -

Оперативные измерения

Фенология Б

Влажность почвы Р Урожаи Р

Рис. 1.2. Упрощенная концептуальная структура базы данных.

Содержащаяся в БД информация предназначена для длительного

хранения. Она образуют стационарную базу данных (СБД). Для выполнения

модельных расчётов из СБД должна быть выбрана информация, тербуемая

для проведения конкретного вычислительного эксперимента. При этом в

режиме диалога с моделью должны быть указаны: место и время проведения

эксперимента, а также культура, поле и агротехнология. Этот диалог и

реализуется управляющей программой - оболочкой модели, которая

осуществляет выбор соответствующих данных из СБД, их преобразование

12

(если это необходимо) и запись в оперативную базу данных ОБД. Именно эта информация и будет доступна модели в процессе счета.

Данные, используемые моделью продукционного процесса, подразделяются на условно-постоянные и оперативные. Так, например, условно постоянные данные о почве включают себя агрофизические и агрохимические характеристики почвенного покрова, а к оперативным данным относятся данные о почвенном влагозапасе, измеряемом с некоторой периодичностью в каждом сезоне вегетации.

В истории развития систем моделирования динамики агроэксистем (другое определение - динамики продукционного процесса сельскохозяйственных растений) практически все авторы вплоть до середины 90-гг. 20-го века главное внимание уделяли именно конструированию собственно модели (Poluektov, Topaj, 2001). И только в последние годы появились работы, посвященные обеспечению инфраструктуры моделирования, разработке управляющих программ и оболочек (Acock et al, 1999, Jones J.W. et al, 2003). Рассмотрим особенности реализации других известных на текущий момент систем моделирования.

В мировой практике существует три основных подхода к созданию подобных систем (Topaj et al, 2013).

• Системы поливариантного расчёта - среды исполнения моделей продукционного процесса, позволяющие производить многократный запуск моделей с разными входными данными в пакетном режиме.

• Универсальные оболочки для моделей продукционного процесса -среды исполнения, позволяющие подключать к ним произвольные модели и предоставляющие к ним типовой пользовательский интерфейс.

• Среды структурной идентификации моделей - программные продукты, позволяющие пользователю конструировать модели из готовых модулей.

1.3. Универсальная оболочка моделей продукционного процесса GUICS.

Разработанная в США система имитационного моделирования GUICS является первым программным продуктом, который реализовал возможность подключения произвольной математической модели (Acock et al, 1999). Она также имеет ориентацию на то, чтобы сделать работу конечного пользователя намного проще и понятнее, реализовав несколько идей в развитии современного пользовательского интерфейса. В литературе последних двух десятилетий было развито множество идей по поводу того, того, что можно назвать дружественным пользовательским интерфейсом. В итоге это вылилось в понятие эргономичное™ пользовательского интерфейса, которое включает в себя:

• Эффективное выполнение задач, обеспечение производительности пользователя.

• Быстрое обучение, которые включает в себя не только изначальное обучение, но в последующее «воспоминание» при повторном пользовании программой после долгого перерыва.

• Гибкость, которая требуется для адаптации к меняющимся задачам.

• Снижение вероятности ошибок, допускаемых пользователем.

• Отношение пользователя к интерфейсу, определяющее насколько он ему нравится или не нравится (Раскин, 2004).

Эти понятия всегда определяются в отношении конкретных пользователей и конкретных задач, которые им требуется решить с помощью пользовательского интерфейса. При разработке интерфейса системы GUICS понятие эргономичности было взято как основополагающее, определяющее в целом развитие продукта.

Иерархия информационных единиц в GUIGS построена на том факте,

что запуск любой математической модели, симулирующей процессы роста

растений, использует определенный набор входных данных, который

включает в себя информацию о погоде, почве, удобрениях, осадках,

14

радиации, а так же о подготовке почвы. Эти данные называются «наборы данных» и сгруппированы в «категории наборов данных», определенных в соответствии в соответствии с типом данных, которые они представляют. Сущность, которая подставляет полный набор «наборов данных», который требуются симулятору, называется сценарием. Несколько относящихся друг к другу сценариев могут быть объединены в группу, которая называется «Проект». Обычно «Проект» включает в себя несколько сценариев, которые описывают различные поля, года, погоду, в общем, различные входные условия, а также результаты симуляции, которые нужно будет сравнить или соотнести впоследствии. «Проекты» создаются пользователем и могут быть скомпонованы различными способами в зависимости от его желания. В противоположность этому, «категории наборов данных» предопределены и соотносятся с файлами выходных данных математической модели. «Категории наборов данных», по замыслу, соответствует тому, как пользователь воспринимает модель. Однако, сами «наборы данных» могут быть любыми и зависят от используемой математической модели.

Приложение имеет возможность визуализации результатов работы модели в нескольких формах - в виде текста, графиков или таблиц (рис. 1.3). Таюке GUICS поддерживает несколько типов печати результатов с использованием стандартных средств Windows. Еще одной из инновационных особенностей GUICS является возможность подключения произвольной модели системы «почва-погода-урожай». Для того чтобы подключить существующую модель к приложению надо реорганизовать входные и выходные файлы модели, описать формат входных и выходных данных с помощью специально разработанного скриптового языка и добавить в модель предопределенную логику для взаимодействия с GUICS. Модель можно запустить либо как отдельное приложение, которое в конце работы оповещает GUICS о завершении расчётов с помощью сообщения Windows, либо как DLL с определёнными экспортируемыми функциями,

позволяющими оповещать GUICS о статусе выполнения расчётов.

15

В Нюо! <1«п«йр

Егоре» [)а(ая** 1£осМ Шрйии ЩХюга )/£г*кт Нф

в МогЛ«.«с ссШсп« ИР10

НешИ* □

□ш

аИНМИИИД

Рис. 1.3. Окно с графиками системы ОШСБ.

Для автоматизации доступа к погодным данным в С1ЛС8 реализована возможность скачивания эти данных с нескольких метеостанций. Для того чтобы приложение имело возможность пользоваться данными метеостанции эти данные должны быть предоставлены в определенном формате. Данные хранятся затем в бинарном файле и доступны для преобразования в формат, подходящий для конкретной математической модели. Имеется также возможность объединения или изменения файлов погодных данных, что необходимо, в том случае, когда информация, полученная с метеостанции, не является полной или содержит ошибки.

Если требуется сравнить результаты работы модели с использованием нескольких различных наборов входных данных, возможно использования функции генерации сценариев. Основой для генерации являются

16

существующие наборы данных, т.е., по сути, приложение позволяет генерировать сценарии на основе множества уже существующих наборов данных. В результате получается проект, который, впоследствии, можно использовать для сравнения результатов работы сценариев. Таким образом, в модельном комплексе GUICS реализованы элементы автоматизации управления компьютерными экспериментами, хотя сами авторы не используют эти понятия при описании функциональности своей системы.

Фундаментальным недостатком системы GUICS является отсутствие возможности автоматического получения сценариев с использование генераторов значений в наборах данных, а также импорта сценариев из внешних источников информации, например БД. Программа не обладает удобным интерфейсом для сравнения нескольких сценариев. Например, нет возможности сравнять два графика или посмотреть динамику развития одного значения в зависимости от изменений другого. Т.е. на практике этот продукт может использоваться для прямого предсказания, но он не вполне походит для типовых задач имитационного моделирования, применимых в точном земледелии.

Список литературы диссертационного исследования кандидат наук Медведев, Сергей Алексеевич, 2014 год

Список литературы

1. Агуров П. С#. Разработка компонентов в MS Visual Studio 2005/2008. BHV-

СПб, 2008. 480 с.

2. Албахари Дж. LINQ. Карманный справочник. BHV-СПб, 2006. 240 с.

3. Алроу Дж., Нейштадт A. UML 2 и Унифицированный процесс: практический объектно-ориентированный анализ и проектирование, 2-е издание. Символ-Плюс, 2007. 624 с.

4. Андриченко А. АВТОПРОЕКТ — универсальный редактор технологий.: САПР и Графика №6, 2000 с.23-29

5. Артемов Д.В. Microsoft SQL Server 2000: профессионалы для профессионалов. Русская Редакция, 2005. 512 с.

6. Бакаленко Б.И., Топаж А.Г. База данных полей и посевов СИАМ V.2: распределенная архитектура и WEB-интерфейс удаленного доступа // Материалы коорд. совещания АФИ. - СПб.: АФИ, 2010. - С. 29-31.

7. Батыгин Н.Ф. Онтогенез высших растений. М.: Агропромиздат, 1986. 99 с.

8. Бихеле З.Н., Молдау Х.А., Росс Ю.К. Математическое моделирование транспирации и фотосинтеза растений при недостатке почвенной влаги. JI: Гидрометеоиздат, 1980. 223 с.

9. Бондаренко Н.Ф., Жуковский Е.Е., Мушкин И.Г. и др. Моделирование продуктивности агроэкосистем. JL: Гидрометеоиздат, 1982. 262 с.

Ю.Виейра Р. Программирование баз данных Microsoft SQL Server 2005 для профессионалов. Диалектика, 2007. 1072 с.

П.Виноградов С. А. Минимальный набор стандартных таблиц:, 2001 (http://rdbms.narod.ru/article/system/index.html)

12.Вирт Н. Алгоритмы и структуры данных. Невский Диалект, 2001. 352 с.

13.Воеводин В. В., Воеводин Вл. В. Параллельные вычисления. BHV-СПб, 2002. 608 с.

Н.Воронин А.Д. Основы физики почв. М.: Изд-во МГУ, 1986. 244 с.

15.Гавриловская Н.В., Топаж А.Г., Хворова JI.A. Моделирование погодных сценариев для оценки урожайности зерновых культур в условиях Западной Сибири // Известия АлтГУ. 2011. №1. С. 71-77

16.Гамма Э., Хелм Р., Джонсон Р., Влиссидес Дж. Приемы объектно-ориентированного проектирования. Питер, 2005. 366 с.

17.Гецци К., Джазайери М., Мандриоли Д. Основы инженерии программного обеспечения. BHV, 2005. 832 с.

18. Горбунов-Посадов М.М. Расширяемые программы. Полиптих, 1999. 336 с.

19.Грехем И. Объектно-ориентированные методы. Принципы и практика. 3-е издание. Вильяме, 2004. 384 с.

20. Гуляев Б.И. Вопросы количественного описания ростовых функций растений // Физиология и биохимия культурных растений. 1981, Т. 13, № 3. с. 227-238.

21. Доспехов Б.А. Методика полевого опыта. М.: Колос, 1979.

22.Дубровцев A. Microsoft .NET в подлиннике. BHV-СПб, 2004. 704 с.

23.Жиков В.В., Козлов С.М., Олейник О.А. Усреднение дифференциальных операторов. М.: Наука, 1993.

24. Заславская JT.А. Построение прикладных агрометеорологических моделей на основе компьютерных экспериментов с базовой моделью продукционного процесса // Науч.-технич. бюл. по агрономической физике. 1989. №76. с. 51-55.

25.Заславский Б.Г., Полуэктов Р.А. Управление экологическими системами. -М.: Наука, 1988, 295.

26.Иберла К. Факторный анализ. Пер. с нем. В. М. Ивановой; Предисловие А. М. Дуброва, М.: Статистика, 1980 - 398 стр.

27. Измайлов С.Ф. Азотный обмен в растениях. М.: Наука, 1986. 320 с.

28.Кан Н.А. Органогенез и морфологическая структура посевов злаков в моделях погода-урожай. СПб.: Гидрометеоиздат, 1992. 133 с.

29. Кириллов В.В., Громов Г.Ю. Введение в реляционные базы данных. BHV-СПб, 2004. 464 с.

30.Клейнен Дж. Статистические методы в имитационном моделировании. -М.: Статистика, 1978, 222 с.

31. Кнут Д. Искусство программирования. Том 4. Выпуск 2. Генерация всех кортежей и перестановок. Вильяме, 2007. 160 с.

32. Кнут Д. Искусство программирования. Том 4. Выпуск 4. Генерация всех деревьев. История комбинаторной генерации. Вильяме, 2007. 160 с.

33.Кормен Т., Лейзерсон Ч., Ривест Р., Штайн К. Алгоритмы. Построение и анализ. Вильяме, 2011. 1296 с.

34.Краткая географическая энциклопедия. Том 2/Гл.ред. Григорьев A.A. М.: Советская энциклопедия - 1961, 592 с. с илл. и карт., 27 л. карт, и илл., 1 л. отд. Карты.

35. Крюкова H.A. Анализ формирования и функционирования агроландшафтов в традиционном и ландшафтно-экологическом землеустройстве // Землеустройство, кадастр и мониторинг земель. 2011. № 9. С. 77-83

36.Кузнецов В.В., Дмитриева Г.А. Физиология растений. М.: Высшая школа, 2005. 736 с.

37.Кумаков В. А. Физиология яровой пшеницы. М.: Колос, 1980. 205 с.

38.Кумаков В.А. Физиологическое обоснование моделей сортов пшеницы. М.: Агропромиздат, 1985. 269 с.

39.Левин А. Метаданные как основа баз данных мониторинга.: Экоцентр МТЭА 2002

40.Льюнг Л. Идентификация систем. Теория для пользователя.- М., Наука, 1991,432 с.

41. Маликов A.B. Ориентированные графы в реляционных базах данных Доклады ТУСУРа, No 2 (18), часть 2, декабрь 2008 стр. 100-104

42.Медведев С.А. Перспективы создания универсальной оболочки поливариантного расчета моделей продукционного процесса // Материалы Всеросс. конф. (с международ, участ.) "Математические модели и информационные технологии в сельскохозяйственной

биологии: итоги и перспективы", 14-15 октября 2010 г., Санкт-Петербург. - СПб.: АФИ, 2010. С. 264-269.

43.Медведев С.А. Система автоматизации компьютерного многофакторного эксперимента с динамическими моделями продукционного процесса // Материалы международной школы-семинара «Фундаментальные и прикладные исследования в математической экологии и агроэкологии», Барнаул, 22-24 июня, 2012. - Барнаул: Изд-во Алт. ун-та, 2012. - С. 98 - 104.

44. Медведев С.А., Полуэктов P.A., Топаж А.Г. Поливариантный анализ динамической модели агроэкосистемы как инструмент поиска оптимальной стретегии орошения.: Мелиорация и водное хозяйство 2012 (2), с 10- 13

45.Медведев С.А., Топаж А.Г. APEX - программа для автоматизации многофакторных вычислительных экспериментов с динамическими моделями агроэкосистем. Свидетельство о государственной регистрации программы для ЭВМ № 2014612173 от 20.02.2014 г.

46.Менжулин Г.В., Шамшурин В.И., Савватеев С.П., Петерсон Г.Н. Оценки достоверности сценариев региональных изменений климата, рекомендованнх межправительственной комиссией //Тр. Междун. конф. по изменениях!, моделированию и информационным системам для изучения окружающей среды - ENVI RONMIS-2004.- НовосибирскЖ Изд-во СО РАН, филиал «ГЕО», 2004.

47.Менжулин Г.В., Шамшурина Н.В. Об адекватности изменения климата: воспроизведения климата ХХ-го столетия современными климатическими моделями// Мат. Всерос. конф., посвященной 90-летию академика М.И. Будыко. 10-11 июня 2010 г. - СПб: Изд-во СПбГУ.

48.Михайлов A.B., М.Г. Безрукова, В.Н.Шанин, Н.В. Михайлова. DLES -платформа для моделирования лесных экосистем. Известия Самарского научного центра Российской академии наук, Т. 11 №1 (70) 2009.

49.Мокрозуб В.Г. Графовые структуры и реляционные базы данных в автоматизированных интеллектуальных информационных системах.

Москва.: Издательский дом «Спектр», 2011. 110 с.

149

50.Нильссон, Дж. Применение DDD и шаблонов проектирования. Проблемно-ориентированное проектирование приложений с примерами на С# и .NET.: Вильяме, 2008. 560 с.

51.Нортроп Т., Стэкер М., Стэйн С. Разработка клиентских Windows-приложений на платформе Microsoft. Net Framework. Питер, 2007. 658 с.

52.0рин Т., Иен М. Оптимизация и администрирование баз данных Microsoft SQL Server 2005. Русская Редакция, 2007. 580 с.

53.Пачепский Я.А. Математические модели физико-химических процессов в почвах. М.: Наука, 1990. 188 с.

54.Пеннингде Фриз Ф.В.Т., Ван JTaap Х.Х. Моделирование роста и продуктивности сельскохозяйственных культур. Л.: Гидрометеоиздат, 1986. 320 с.

55. Петров Ю. Новые главы теории управления и компьютерных вычислений. BHV-СПб, 2004. 192 с.

56. Петрова М.В. и др. Компьютерная экспертная система поддержки агротехнологических решений на осушаемых землях // Мелиорация и водное хозяйство. 1994. №4.

57.Полевой А.Н. Прикладное моделирование и прогнозирование продуктивности посевов. Л.: Гидрометеоиздат, 1988. 318 с.

58. Полевой В.В. Физиология растений. М.: Высшая школа, 1989. 464 с.

59.Полуэктов P.A., Смысловский А.И., Финтушал С.М. 2СИМОНА2 -система имитационного моделирования и язык управления моделями // Теоретические основы и количественные методы программирования урожаев. Л., 1979. С. 101-112.

60.Полуэктов P.A. Динамические модели агроэкосистемы. Л.: Гидрометеоиздат, 1991. 312 с.

61.Полуэктов P.A., Василенко Г.В. Расчет транспирации и физического испарения в прикладных моделях агроэкосистем // Почва и растение -процессы и модели.-СПб.: АФИ, 1992. С. 58-66.

62.Полуэктов Р.А., Кумаков В.А., Василенко Г.В. Моделирование транспирации посевов сельскохозяйственных растений // Физиология растений. 1997. Т. 44, № 1. С. 68-73.

63.Полуэктов Р.А., Опарина И.В., ФинтушалС.М. Прогнозирование темпов фенологического развития сельскохозяйственных растений //Физиология растений. 1997. Т. 44, № 4. С 557-564.

64.Полуэктов Р.А., Опарина И.В., Петрова М.В., ФинтушалС.М. Значение агротехнологий при моделировании продукционного процесса растений // Вестник РАСХН. 1998. № 3. С. 48-51.

65.Полуэктов Р.А., Топаж А.Г., Миршель В. Сравнение эмпирического и теоретического подходов в моделировании агроэкосистем на примере фотосинтеза //Математическое моделирование, 1998, т. 10, №7, с.25-36.

66.Полуэктов Р.А., Опарина И.В., Топаж А.Г., Миршель В. Адаптируемость динамических моделей агроэкосистем к различным почвенно-климатическим условиям, // Математическое моделирование, 2000. т. 12, № 11, стр. 3-16

67.Полуэктов Р.А., Кумаков В.А., Захарова Е.Т., Финтушал С.М. Динамическая модель продукционного процесса яровой пшеницы: учет влияния водного стресса на рост и развитие растений // Сельскохоз. биология. 2002. № 1. С. 44—53.

68.Полуэктов Р.А., Якушев В.П. Основные принципы планирования полевого и компьютерного экспериментов. Методические рекомендации. Изд-во СПбГУ, 2003. 25 с.

69.Полуэктов Р.А., Топаж А.Г. Расчет отношения root/shoot в моделях органогенеза высших растений // Физиология растений. 2005. Т. 52, № 5.

70.Полуэктов Р.А., Топаж А.Г. Использование моделей продукционного процесса сельскохозяйственных культур при агрометеорологическом прогнозировании. В сб. «Современные проблемы экологической метеорологии и климатологии» - СПб: «Наука», 2005, С. 207-217.

71.Полуэктов P.A., Топаж А.Г., Кобылянский С.Г. Система поливариантных расчетов динамической модели продукционного процесса в задачах точного земледелия // Доклады РАСХН, 2005, №6, стр. 58-62.

72.Полуэктов P.A., Топаж А.Г., Кобылянский С.Г. Поливариантный анализ динамики агроэкосистем // Вестник РАСХН, 2006, №6, стр. 16-18.

73.Полуэктов P.A., Смоляр Э.И., Терлеев В.В., Топаж А.Г. Модели продукционного процесса сельскохозяйственных культур.// Изд-во СПбГУ, 2006, 390 с.

74.Полуэктов P.A., Топаж А.Г., Бакаленко Б.И. Интегрированная база данных СИАМ как информационная поддержка имитационных моделей агроэкосистем // В сб. «Инструментальные средства и методы в агрофизике» - СПб: АФИ, 2007, С.276-282.

75.Полуэктов P.A., Топаж А.Г., Кобылянский С.Г., Полуэктов М.А. Автоматизация компьютерного эксперимента с математическими моделями // Достижения науки и техники АПК. 2011. №2. С. 61-63.

76. Полуэктов P.A., Топаж А.Г., Якушев В.П., Медведев С.А. Использование динамической модели агроэкосистемы для оценки влияния климатических изменений на продуктивность посевов.: Вестник Российской академии сельскохозяйственных наук. 2012 (2) с. 7 - 12.

77. Простелит А. Visual Studio.NET. Разработка приложений баз данных. BHV-СПб, 2003. 544 с.

78.Раскин Дж. Интерфейс: новые направления в проектировании компьютерных систем. Символ-Плюс, 2004. 272 с.

79. Рекомендации по методике проведения наблюдений и исследований в полевом опыте / НИИСХ ЮВ. — Саратов, 1973. — 223 с.

80.Рихтер Дж. CLR via С#. Программирование на платформе Microsoft . NET Framework 2. 0 на языке С#. Питер, 2006. 656 с.

81.РоссЮ.К. Система уравнений для количественного описания роста растений // Фитоактинометрическое исследование растительного покрова:

Сб. статей. Таллин: Валгус, 1971. С. 64-88.

152

82. Русаков А.Г. Апарин Б.Ф. Булгаков Д.С. Бонитировка почв и основы государственного земельного кадастра: Учебное пособие для вузов - 88 с. ISBN 5-288-02601-7 -54.00.00 07266 СПб: СПбГУ 2002

83.Сабинин Д.А. Физиология развития растений. М.: Изд-во АН СССР, 1963. 195 с.

84. Самарский А.А. Теория разностных схем. М.: Наука, 1977. 656 с.

85.Сафонов В.О. Введение в Java-технологию.: Санкт-Петербург, «Наука» 2002. 189 с.

86.Сеппа Д. Программирование на Microsoft ADO.NET 2.0. Мастер-класс. Питер, 2007. 784 с.

87.Сиротенко О.Д., Бойко Д.П.- Динамическая модель агроценоза // Труды ИЭМ. 1976. Вып. 8 (67). С. 12-36.

88.Сиротенко О.Д. Математическое моделирование водно-теплового режима и продуктивности агроэкосистем. М.: Гидрометеоиздат, 1981. 166 с.

89.Станек У. Microsoft SQL Server 2005. Справочник администратора. Русская Редакция, 2007. 544 с.

90.Терлеев В.В. Моделирование водоудерживающей способности почв как капиллярно-пористых тел: Учеб.- метод, пособие / НИИ химии СПбГУ. 71 с.

91.ТоомингХ.Г. Солнечная радиация и формирование урожая. Л.: Гидрометеоиздат, 1977, 199 с.

92.ТопажА.Г. Моделирование суточных метеоданных как входного сигнала модели продукционного процесса // Почва и растение - процессы и модели: Сб. статей. СПб.: АФИ, 1992. С. 79-86.

93.Топаж А.Г., Полуэктов Р.А., Кобылянский С.Г. Система поливариантных расчетов продукционного процесса в задачах точного земледелия. // Докл. РАСХН, 2006, №6, с. 58-61.

94.Топаж А.Г., Полуэктов Р.А., Медведев С.А. Среда поливариантного анализа динамических моделей агроэкосистем // Труды международной конференции "Современные проблемы математики, информатики и

биоинформатики", посвященной 100-летию со дня рождения A.A. Ляпунова, 11-14 октября 2011 г., Новосибирск. ISBN: 978-5-905569-03-6

95.Топаж А.Г., Опарина И.В., Глядченкова H.A., Власов Ю.С., Тулин Е.В. Информационное обеспечение задач прогнозирования темпов развития растений и урожая в режиме удаленного доступа // Материалы научной сессии по итогам 2012 года Агрофизического института.- СПб.: АФИ, 2013. С. 154-160.

96.Торнли Дж. Г.М. Математические модели в физиологии растений. Киев.: Наукова думка, 1982. 312 с. (Thornley J.H.M. Mathematical models in plant physiology. London: Academic Press, 1976.)

97. Тулин E.B., Власов Ю.С., Топаж А.Г., Опарина И.В. Модифицированный вариант агрометеостанции с удаленным беспроводным управлением и передачей данных // Материалы научной сессии по итогам 2012 года Агрофизического института - СПб.: АФИ, 2013. С. 65-67.

98. Уланова Е.С. Методы оценки агрометеорологических условий и прогнозов урожайности зерновых культур. Л.: Гидрометеоиздат, 1988. 53 с.

99.Фаулер М. Архитектура корпоративных программных приложений: Издательский дом «Вильяме», 2006, 541 с.

100. Фленов М.Е. Transact-SQL. BHV-СПб, 2006. 576 с.

101. Форрестер Дж. Динамика развития города. М.: Прогресс, 1974. 285 с.

102. Франс Д., Торнли Дж. Математические модели в сельском хозяйстве. М.: Агропромиздат, 1987. 400 с.

103. Хворова Л.А., Топаж А.Г. Динамическое моделирование и прогнозирование в агрометеорологии. М-во образования и науки Рос. Федерации, Алт. гос. ун-т. - Барнаул : Изд-во АГУ, 2010. - 262 с.

104. Хворова Л.А., Топаж А.Г. Построение моделей агроэкосистем и их адаптация к конкретным условиям // Научно-технические ведомости СПбГТУ. 2011. № 115. С. 99-105.

105. Чирков Ю.И. Агрометеорология. Л.: Гидрометеоиздат, 1986. 296 с.

106. Шатилов И.С., Бондаренко Н.Ф., Жуковский Е.Е. и др. Схема организации научных исследований по программированию урожаев // Докд. ВАСХНИЛ. 1976. № 2. С. 2-4.

107. Шеффе Г. Дисперсионный анализ. Шеффе Г. Дисперсионный анализ М.: Наука, 1980. -512с.: ил.

108. Якушев В.П. и др. Экспертная система поддержки агротехнологических решений при программировании урожаев (опыт построения) // Вестник с.х. науки. 1989. №4. С. 31-37.

109. Якушев В.П., Полуэктов Р.А., СмолярЭ.И., ТопажА.Г. Точное земледелие (Аналитический обзор) // Агрохим. вестник. 2001. №5, 6; 2002. №2.

110. Якушев В.П. На пути к точному земледелию. СПб.: Изд-во ПИЯФ РАН, 2002. 458 с.

111. Acock В. Crop Modelling in the USA // Acta Horticulturae. 1989. Vol.248. P. 365-372.

112. Acock B, Acock M C. Potential for Using Long-Term Field Research Data to Develop and Validate Crop Simulators // Agronomy Journal. 1991. Vol. 83, N 1. P. 56-61.

113. Acock, В., Pachepsky, Y.A., Mironenko, E.V., Whisler, F.D., Reddy, V.R., 1999. GUICS: A Generic User Interface for On-Farm Crop Simulations. Agronomy Journal 91, 657-665.

114. Bellman K., Mirschel W. Nutzung dynamischer Agrooeksystemmodelle im Rahmen operativer computergestuetzer Beratungssysteme // Tag.-Ber. Bd. 275. Berlin, 1989. S. 303-311.

115. Bezrukova, M., V. Shanin, A. Mikhailov, N. Mikhailova, Yu. Khoraskina, P. Grabarnik, A. Komarov, 2012. DLES - a component-based framework for ecological modelling. In: Jordán, F., and S.E. Jorgensen, Models of the Ecological Hierarchy from Molecules to the Ecosphere. Elsevier, 331-350.

116. Bezrukova, M., V. Shanin, Yu. Khoraskina, A. Mikhailov, 2012. DLES

framework for spatially-explicit simulation modelling: general description and

155

some exemplary applications. In: Proceedings of International Congress on Environmental Modelling and Software. Managing Resources of a Limited Planet, Sixth Biennial Meeting, Leipzig, Germany, 1159-1166.

117. Blackmore B.S., Wheeled P.H., Morris R.M. etal. The Role of Precision Farming in Sustainable Agriculture: A European Perspective // 2-nd Intern. Conf. on Site-Specific Management for Agricultural Systems, Minneapolis, USA, March 27-30. 1994.

118. Blackmore B.S., Larsheid G. Strategies for Management Variability // 1-st Europ. Conf. of Precision Agriculture. Warwick, UK, September, 12-15. 1997.

119. BoumaJ., Stoorvogel J., van Alphen B.A., Boolting H.W.G. Pedology, Precision Agriculture, and Changing Paradigm of Agricultural Research // Soil Sci. Soc. Amer. J. 1999. Vol. 63. P. 1763-1768,

120. Bulatewicz, T., A. Allen, J.M. Peterson, S. Staggenborg, S.M. Welch, D.R. Steward,. The Simple Script Wrapper for OpenMI: Enabling interdisciplinary modeling studies, Environmental Modelling & Software, 39 (January) 2013, pp 283-294

121. Bykhovets S.S., Komarov A.S. A simple statistical simulator of soil climate. Eurasian Soil Sci. 2002. 35:443-452.

122. Changhui Peng, Jinxun Liu, Qinglai Dang, Michael J. App, Hong Jiang. TRIPLEX: a generic hybrid model for predicting forest growth and carbon and nitrogen dynamics.: Ecological Modelling 153 (2002) 109-130

123. Cohn M. User Stories Applied: For Agile Software Development. Addison Wesley, 2004. 304 p.

124. Curry R.R., ChenL.II. Dynamic simulation of plant growth. Part II. Incorporation of actual daily weather and partitioning of net photosynthesis // Trans. ASAE. 1971. Vol. 14, N6. P. 1170-1174.

125. Database Language SQL (Proposed revised text of DIS 9075) (Second Informal Review Draft) ISO/IEC 9075:1992, Database Language SQL- July 30, 1992

126. de Coligny F., Ancelin Ph., Cornu G., Courbaud B., 8. Dreyfus Ph., Goreaud F., Gourlet-Fleury S., Meredieu C., Orazio C., Saint-Andre L. CAPSIS: Computer-aided projection for strategies in silviculture: Open architecture for a shared forest-modelling platform // Proc. of the Fourth Workshop IUFRO S5.01.04 (8-15 September 2002), Harrison British Columbia, Canada. Harrison, 2002. P. 371-380.

127. de Coligny F., Capsis: Computer-Aided Projection for Strategies In Silviculture, a software platform for forestry modellers. Workshop on Information Science for Agriculture and Environment (ISAE). 3-4 june 2005, GuiZhou Normal University, GuiYang, P.R. China.

128. De Wit C.T. Transpiration and crop yields. Verslag. Landbouwk. Onderz. 1958. 64.6. Inst, of Biol, and Chem. Res. on Field Crops and Herbage, Wageningen, the Netherlands, pp. 1-88.

129. Denisov V. Development of the Crop Simulation System DIASPORA// Agronomy Journal, 2001. Vol. 93, N.3, p. 660-666.

130. Diepen C.A. van, Rappold C., Wolf J, Keulen H. van. Crop growth simulation model WOFOST. Documentation version 4.1. Wageningen, The Netherlands: Centre for World Food Studies, 1988. 299 p.

131. Duffy J., Sutter H. Concurrent Programming on Windows: Architecture, Principles, and Patterns. Addison Wesley, 2007. 1008 p.

132. Fowler M. GUI Architectures. 2006. http://www.martinfowler.com/eaaDev/uiArchs.html

133. Gibson L.R., Paulsen G.M. Yield components of wheat growth under high temperature stress during reproductive growth // Crop Sci. 1999. Vol. 39. P. 1841-1846.

134. Gold-Bernstein B., Ruh W. Enterprise Integration: The Essential Guide to Integration Solutions. 2004 Addison-Wesley Professional 432 p.

135. GoudriaanJ. Crop meteorology: a simulation study. Wageningen: Pudoc., 1977. 246 p.

136. Gray K.R., Biddlestone A.J. Composting - process parameters.: The Chemical Engineer. Feb. 1973 pp 71-76

137. Gray M.A., Introduction to the Simulation of Dynamics Using Simulink, Chapman and Hall/CRC, 332 pp., Boca Raton, FL, 2011.

138. Gregersen J.B., P.J.A. Gijsbers, and S.J.P. Westen, OpenMI: Open Modelling Interface, Journal of Hydroinformatics,. 9(3), 175-191, 2007.

139. GuintaF., Motzo R, Deidda M. Effect of drought on yield and yield components of durum wheat and triticale in a Mediterranean environment // Field Crops Res. 1993. Vol. 33. P. 399^109.

140. Hanks J., Ritchie J.T. Modelling plant and soil Systems. Agronomy (A Series of Monographs). Madison, Wisconsin USA: SSSAI Publishers, 1991. 544 p.

141. He, H.S., D.R. Larsen, and D.J. Mladenoff, Exploring component-based approaches in forest landscape modelling, Environmental Modelling and Software, 17,519-529, 2002.

142. Hüner, K.; Otto, B.; Ósterle, H.: Collaborative management of business metadata, in: International Journal of Information Management, 2011

143. Jones J., Hoogenboom G., Porter C., Boote K., Batchelor W., Hunt L., Ritchie J., 2003. The DSSAT cropping system model. European Journal of Agronomy, 18(3-4), 235-265.

144. Jushchenko N., V.Denisov. Software implementation of finite-difference method for parameter identification in agroecological modelling. // Mathematical Modelling and Analysis, Vol. 7, Nb. 1, 2002, 71-78 p.

145. Komarov A.S„ Chertov O.G., Zudin S.L., Nadporozhskaya M.A., Mikhailov A.V., Bykhovets S.S., Zudina E.V., Zoubkova E.V. EFIMOD 2 - the system of simulation models of forest growth and elements cycles in forest ecosystems. 2003. Ecological Modelling 170:373-392.

146. Liu J., C. Peng, Q. Dang, M.J. Apps, and H. Jiang, A component object model strategy for reusing ecosystem models, Computers and Electronics in Agriculture, 35, 17-33, 2002.

147. Medvedev S., Topaj A. Crop simulation model registrator and polyvariant analysis. IFIP Advances in Information and Communication Technology. 2011. T. 359 AICT. C. 295-301.

148. Mirschel W., Schultz A., Wenkel K.-O. Vergleich der Winterweizenmodelle AGROSIM-Wheat und CERES-Wheat // Berichte der GIL. 1993. Bd 5. P. 29-34.

149. Monsi M., Saeki T. Über den Lichtfaktor in den Pflanzengesellschaften und seine Bedeutung für die Stoffproduktion // Jap. J. Bot, 1953. Vol. 14, N 1. P. 2252.

150. MonteithJ.L. The Quest for Balance in Crop Modelling // Agron. J. 1996. Vol. 88. P. 695-697.

151. Passioura J.B. Simulation Models: Science, Snake Oil, Education, or Engineering? // Agron. J. 1996. Vol. 88. P. 690-694.

152. Penning de Vries, F.W.T., D.M. Jensen, H.F.M. ten Berge, A.H.Baketa. 1989. Simulation of ecophysiological processes of growth >of several annual crops. Wageningen: Pudoc, 271 pp.

153. Poluektov R.A. Long-time field research: towards using dynamic crop model // Aspects of Applied Biology. 2000. Vol. 61. P. 29-34.

154. Poluektov R.A., Zakharova E.T. Two approaches to the description of distribution keys in crop simulation models// Int. Agrophysics. 2000. Vol. 1. P. 99-104.

155. Poluektov R.A., Topaj A.G., Topaj I.G. Formation of Management Units for Precision Farming // Proc. Conf. «Physical Methods in Agriculture. Approach to Precision and Quality». Czech University of Agriculture. Prague, 2001. P. 248252.

156. Poluektov R., Topaj A., 2001. Crop Modeling: Nostalgia about Present or Reminiscence about Future // Agronomy Journal. 93. 653-659.

157. Poluektov R.A., Topaj A.G., Topaj I.G. Formation of Management Units for Precision Farming // Proc. Conf. «Physical Methods in Agriculture. Approach to Precision and Quality». Czech University of Agriculture. Prague. 2001. P. 248252.

158. Poluektov R.A., Fintushal S.M., Oparina I.V. et al. AGROTOOL - a system for crop simulation // Arch. Acker- Pfl. Boden. 2002. Vol. 48. P. 609-635.

159. Poluektov, R., Fintushal, S., Oparina, I., Shatskikh, D., Terleev, V., Zakharova, E. AGROTOOL - a system of crop simulation. Archives of Agronomy and Soil Science 48, 2002, 609-635.

160. Poluektov R.A., Oparina I.V., Zakharova E.T., Fintushal S.M. Parameter Estimation of Soil-Plant-Atmosphere Model // Agrophysical and Ecological Problems of Agriculture in the 21-th Century. SPb., 2004. Vol. 4. P. 11-17.

161. Richardson C.W., Wright D.A. WGEN: A model for generating daily weather variables. US Department of Agriculture, Agricultural Research Service, 1984, ARS-8. USDA, Washington, DC

162. Skeet J. C# in Depth: What you need to master C# 2 and 3. Manning Publications, 2007. 424 p.

163. Tooming H. Mathematical model of plant photosynthesis considering adaptation // Photosynthetica, 1967.Vol. 1. № 3-4. P. 233-240.

164. Topaj A., Medvedev S., Yakushev V., Komarov A., Shanin V., Denisov V. Software frameworks for crop model development and multi-purpose application // 4th Annual Global Workshop Poster Abstracts, October 28-30, 2013, Columbia University, New York, P. 66

165. Van Evert F.K., Campbell G.S. CropSyst: A Collection of Object-Oriented Simulation Models of Agricultural Systems// Agronomy Journal, 1994. Vol. 86. P. 325-331.

166. Van Genuchten, M. Th. A closed-form equation for predicting the hydraulic conductivity of unsaturated soils// Soil Sci. Soc. Arner. J. 1980. Vol. 44 P.892-898.

167. Wenderholm E. Eclpss: a Java-based framework for parallel ecosystem simulation and modeling. Environmental Modelling & Software 20 (2005) 1081-1100

168. Wenkel K.-O., Mirschel W.. Agrooerosystemmodellirung. Grundlage fuer die Abschaetzung von Auswiekungen moegicher Landnutzungs- und

Klimaaenderungen. // ZALF - Bericht, Nr.24. Muencheberg. 1995. P.187.

160

169. Witzke H.-P., Ciaian P., Delince J. CAPRI Long-term Climate Change Scenario Analysis: The AgMIP Approach. 2014, 55p.

170. Yakushev, V.P., Yakushev V.V. Mathematical models and methods of realizing information technology procedures in precision agriculture. Russian Agricultural Sciences, 2008. V. 34, Issue 4, pp. 280-283.

171. Yule, I.J., Jahs G., Blackmore S. Information Framework for Precision Farming. Published at the International Conf. "Agricultural and Biological Engineering - New Horizons, New Challenges". University of Newcastle upon Tyne, UK 20-23 September, 1995. Session 5: Trends in Agrotechnology.