The neural network ranking of agro-technologies by indices of soil microbiological activity and soil fertility: new possibilities of statistical analysis | Нейросетевое ранжирование агротехнологий по индексам микробиологической активности почвы и почвенного плодородия: новые возможности статистического анализа

anglais. 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 previously obtained by Yu.M. Vozniakovskaya et al. and published in 1994. The long-term experiment took place in the North-West region of the Russian Federation in 1962-1991. The influence of crop rotations and mineral fertilizers on microbiological and biochemical characteristics of sod-podzolic soils under potato and barley has been under study. The experiment aim was to identify microbiological indicators that most clearly characterize the level of soil fertility. To access it, the composition of soil microorganisms was determined, the intensity of CO₂ release, cellulose decomposition were measured, 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 were registered. The authors of initial research 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 to process empirical microbiological and physico-biochemical soil data reported by Yu.M. Vozniakovskaya et al. in 1994 allowed determination of the specificity of the impact of the used agrotechnology elements on soil fertility under different crops. In particular, it is shown that the maximum value of the soil fertility index does not coincide with the maximum value of the soil microbiological activity index.

russe. Нейросети позволяют извлекать ранее недоступную информацию из физиологических и молекулярно-генетических данных и визуализировать неявные зависимости. В представленной работе применили нейросетевой подход для анализа ранее полученных данных Ю.М. Возняковской с соавторами, опубликованных в 1994 г. Длительный опыт по изучению влияния севооборотов и минеральных удобрений на микробиологические и биохимические характеристики дерново-подзолистых почв под картофелем и ячменем проводили в 1962-1991 гг. в Северо-Западном регионе Российской Федерации. Выявляли микробиологические показатели, наиболее четко характеризующие уровень плодородия почвы. Для этого 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. К наиболее информативным микробиологическим показателям уровня эффективного плодородия почв авторы исходного исследования 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. В частности показано, что максимальное значение индекса почвенного плодородия не совпадает с максимальным значением индекса микробиологической активности почвы.