ivmМеждународный вестник ветеринарииInternational Journal of Veterinary Medicine2072-2419SpbGUVM Publishing House10.52419/issn2072-2419.2024.4.239ivm-1528Research ArticleЗООГИГИЕНА, САНИТАРИЯ, КОРМЛЕНИЕZOOHYGIENE, SANITATION, FEEDINGНейросетевой анализ качества силосованных кормов по индексу биоконсолидации биосистемы молочнокислых бактерийNEURAL NETWORK ANALYSIS OF SILAGE FORAGE QUALITY BASED ON THE BIOCONSOLIDATION INDEX OF LACTIC ACID BACTERIA BIOSYSTEMShttps://orcid.org/0000-0001-8300-2287ВоробьевН. И.VorobyovN. I.

Воробьев Н.И. – канд. технических наук, вед. научн. сотр., ст. научн. сотр.

Vorobyov N.I. – Candidate of Technical Sciences, Lead Researcher, Senior Lecturer

https://orcid.org/0000-0003-2490-6942ИльинаЛ. А.IlyinaL. A.

Ильина Л.А. – д-р биол. наук, рук. молекулярно-генетической лаборатории

Ilyina L.A. – Doctor of Biological Sciences, Head of Molecular Genetic Laboratory 

https://orcid.org/0000-0002-8795-6659ЛаптевГ. Ю.LaptevG. Y.

Лаптев Г.Ю. – д-р биол. наук, директор 

Laptev G.Y. – Doctor of Biological Sciences, Director

https://orcid.org/0000-0001-8201-1042СелинаМ. В.SelinaM. V.

Селина М.В. – канд. пед. наук, доц. каф. экономики и цифровых технологий в АПК 

Selina M.V. – Candidate of Pedagogical Sciences, Associate Professor of the Department of Economics and Digital Technologies in the AIC1 

selina.marina@gmail.comhttps://orcid.org/0000-0003-0284-5253ГусельниковаА. А.GuselnikovaA. A.

Гусельникова А.А. – нач. отдела организации и мониторинга НИД

Guselnikova A.A. – Head of the Department of Organization and Monitoring of Scientific and Research Information

ФГБОУ ВО «Московская государственная академия ветеринарной медицины и биотехнологии - МВА имени К.И. Скрябина»; ФГБНУ ВНИИ сельскохозяйственной микробиологииРоссияMoscow Veterinary Academy; All-Russia Research Institute for Agricultural MicrobiologyRussian FederationООО «Биотроф»РоссияLLC ‘Biotrof’Russian FederationФГБОУ ВО «Московская государственная академия ветеринарной медицины и биотехнологии - МВА имени К.И. Скрябина»РоссияMoscow Veterinary AcademyRussian Federation20241701202504239250Copyright © Воробьев Н.И., Ильина Л.А., Лаптев Г.Ю., Селина М.В., Гусельникова А.А., 20242024Воробьев Н.И., Ильина Л.А., Лаптев Г.Ю., Селина М.В., Гусельникова А.А.Vorobyov N.I., Ilyina L.A., Laptev G.Y., Selina M.V., Guselnikova A.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vetjournal.spbguvm.ru/jour/article/view/1528

В данном исследовании с помощью оригинальной нейросетевой информационной технологии удалось провести интеллектуальный анализ молекулярно-генетических данных микрофлоры силоса и оценить влияние силосных заквасок и консерваторов на направленность микробиологических биохимических процессов в силосных биомассах. Выходным продуктом интеллектуального анализа фрактальных профилей микрофлоры силоса стали индексы CSIgaZ и CSImU, выбранные для количественного представления с точки зрения микробиологических данных интенсивности газовыделений силоса и количества молочной и уксусной кислот в силосе. По индексу CSImU удалось оценить возрастание молочной кислоты и уменьшение уксусной кислоты в силосе, что сигнализирует о замедлении развития гнилостных микроорганизмов в силосе, а по индексу CSIgaZ – уменьшение газовыделений силоса, что свидетельствует об благоприятных анаэробных условиях, в которых протекают микробиологические биохимические процессы в силосе. Проведенный в молекулярно-генетической лаборатории ООО «Биотроф» лабораторный опыт по силосованию ежи сборной показал, что «Биотроф-111» (на основе Bасillus subtilis, произв. ООО «Биотроф») создает наилучшие анаэробные условия в силосуемой растительной биомассе, при которых микрофлора силоса биоконсолидируется в биосистему молочнокислых бактерий с минимальным значением индекса CSIgaZ = 3,1 и максимальным значением индекса CSImU = 6,8, то есть в этом варианте силосования ежи сборной микрофлоре силоса удается сгруппироваться так, что одновременно обеспечивается относительно низкая интенсивность газовыделений силоса, ускоренное образование молочной кислоты и замедленное образование уксусной кислоты в силосе, а значит в этих условиях процессы завершатся с наилучшими качественными питательными показателями силоса.

In this study, using the original neural network information technology, it was possible to perform an intelligent analysis of molecular genetic data of silage microflora and evaluate the influence of silage starters and preservatives on the directionality of microbiological biochemical processes in silage biomass. The output product of the intelligent analysis of fractal profiles of silage microflora was the CSIgaZ and CSImU indices, chosen to represent quantitatively, in terms of microbiological data, the intensity of silage outgassing and the amount of lactic and acetic acids in silage. According to the CSImU index it was possible to evaluate the increase of lactic acid and decrease of acetic acid in silage, which signals the slowing down of development of putrefactive microorganisms in silage, and according to the CSIgaZ index - the decrease of silage gas emissions, which indicates favourable anaerobic conditions in which microbiological biochemical processes in silage take place. The laboratory experiment on silage of hedgehog silage conducted in the molecular genetic laboratory of ‘Biotrof’ Ltd. showed that ‘Biotrof-111’ (based on Bacillus subtilis, produced by ‘Biotrof’ Ltd.) creates the best anaerobic conditions in the silaged plant biomass, where the microflora of silage bioconsolidates in the biosystem of lactic acid bacteria. LLC ‘Biotrof’) creates the best anaerobic conditions in the silage plant biomass, in which the silage microflora bioconsolidates into a biosystem of lactic acid bacteria with a minimum value of CSIgaZ index = 3.1 and a maximum value of CSImU index = 6.8, that is, in this variant of silage silage hedgehog silage microflora of silage manages to group in such a way, that simultaneously provides a relatively low intensity of silage gas emissions, accelerated formation of lactic acid and slow formation of acetic acid in silage, and thus in these conditions the processes will be completed with the best quality nutritional indicators of silage.

фрактальный профиль микрофлоры силосасилосные закваски и консервантыиндексы газообразования и молочной кислотынейросетьfractal profile of silage microflorasilage inoculants and preservativesgas and lactic acid indicesneural networkМатериалы подготовлены в рамках конкурса Российского научного фонда 2022 года «Проведение фундаментальных научных исследований и поисковых научных исследований малыми отдельными научными группами» (соглашение № 23-26-00234 от 12.01.2023 г.) https://rscf.ru/project/23-26-00234The materials were prepared within the framework of the 2022 Russian Science Foundation competition “Conducting fundamental scientific research and exploratory scientific research by small individual scientific groups” (agreement No. 23-26-00234 dated 12.01.2023) https:// rscf.ru/project/23-26-00234ReferencesЗенькова Н.Н. Практическое руководство по использованию кормовых ресурсов в кормопроизводстве: практическое руководство / Зенькова Н.Н., Ганущенко О.Ф.; Шлома Т.М.; Ковалева И.В. // Витебск: ВГАВМ. 2021. 176 с.Zenkova N.N. Practical guide to the use of fodder resources in fodder production: a practical guide / Zenkova N.N., Ganushchenko O.F.; Shloma T.M.; Kovaleva I.V. // Vitebsk: VGAVM. 2021. 176 p. (In Russ.)Лаптев Г.Ю.Закваска Промилк обеспечит качество силоса и зерносенажа / Лаптев Г.Ю., Йылдырым Е.А., Ильина Л.А., Новикова Н.И., Тюрина Д.Г., Маркман И.Л. // Животноводство России. №4. 2023. С. 50-55.Laptev G.Yu. Promilk leaven will ensure the quality of silage and grain slage / Laptev G.Yu., Yildirim E.A., Ilyina L.A., Novikova N.I., Tyurina D.G., Markman I.L. // Livestock of Russia. 2023. 4: 50-55. (In Russ.)Лаптев Г.Ю. Предотвращаем вторичную ферментацию и аэробную порчу силоса / Йылдырым Е.А, Тюрина Д.Г., Новикова Н.И., Ильина Л.А., Черватенко Д.Ю. // Животноводство России. №4. 2024. С. 52-54.Laptev G.Y. Prevent secondary fermentation and aerobic spoilage of silage / Yildirim E.A., Tyurina D.G., Novikova N.I., Ilyina L.A., Chervatenko D.Y. // Livestock of Russia. 2024. 4: 52-54. (In Russ.)Лаптев Г.Ю. Эффективность препарата «Биотроф-600» для борьбы с нежелательной микрофлорой при хранении плющеного зерна. / Сб. «Актуальные проблемы заготовки, хранения и рационального использования кормов» международной научно-практической конференции, посвященной 100-летию со дня рождения доктора сельскохозяйственных наук, профессора С.Я. Зафрена // М.: 2009. С. 41-45.Laptev G.Y. Effectiveness of the preparation ‘Biotrof-600’ to combat undesirable microflora in the storage of conditioned grain. / Collection ‘Actual problems of preparation, storage and rational use of forages’ of the international scientific-practical conference devoted to the 100th anniversary of the birth of Doctor of Agricultural Sciences, Professor S.Y. Zafren // M.: 2009. 41-45. (In Russ.)Йылдырым Е.А, Биотроф-111: все возможное делает сразу / Йылдырым Е.А, Тюрина Д.Г. // Животноводство России. 2021. №4. С. 48-51Yildirim E.A., Biotrof-111: all possible does at once / Yildirim E.A., Tyurina D.G. // Livestock of Russia. 2021. 4: 48-51 (In Russ.)Победнов Ю.А. Эффективность силосования кукурузы и трав с препаратом Биороф 111 (рекомендации) / Победнов Ю.А., Мамаев А.А., Худокормов В.В., Щукин Н.Н., Горькин А.М., Бородуля В.И., Лаптев Г.Ю., Солдатова В.В. // М.: ФГУ РЦСК, 2010. 17 с.Pobednov Yu.A. Effectiveness of corn and grass silage with the preparation Biorof 111 (recommendations) / Pobednov Yu.A., Mamaev A.A., Khudokormov VV, Shchukin NN, Gorkin AM, Borodulya V.I., Laptev GY, Soldatova VV // M.: FSU RCSC, 2010. 17 p. (In Russ.)Биконя С.Н. Повышение питательной ценности силоса и сенажа с использованием биоконсервантов / Дисс. канд. с.-х. наук // Волгоград: Волгоградский ГАУ. 2023. 128 с.Bikonya S.N. Increase of nutritive value of silage and haylage with the use of bioconservatives / Dissertation of Candidate of Agricultural Sciences // Volgograd: Volgograd GAU. 2023. 128 p. (In Russ.)Chagarovskiĭ V., Chagarovskiĭ A. Study of the biological activity of direct ferments of the Christian Hansen company used in the production of lactic acid milk products/Ukraine Mikrobiolohichnyĭ Zhurnal . 2003. 5(1): 78 – 83.Chagarovskiĭ V., Chagarovskiĭ A. Study of the biological activity of direct ferments of the Christian Hansen company used in the production of lactic acid milk products/Ukraine Mikrobiolohichnyĭ Zhurnal . 2003. 5(1): 78 – 83.Driehuis F. Fermentation characteristics and aerobic stability of grass silage inoculated with Lactobacillus buchneri, with or without homofermentative lactis acid bacteria/Driehuis F., Oude Elferink S.J.W.H., Van Wikselaar P.G. // Grass Forage Sci., 2001, 56(4): 330-343 (doi: 10.1046/j.1365-2494.2001.00282.x).Driehuis F. Fermentation characteristics and aerobic stability of grass silage inoculated with Lactobacillus buchneri, with or without homofermentative lactis acid bacteria/Driehuis F., Oude Elferink S.J.W.H., Van Wikselaar P.G. // Grass Forage Sci., 2001, 56(4): 330-343 (doi: 10.1046/j.1365-2494.2001.00282.x).Tabacco E. Dry matter and nutritional losses during aerobic deterioration of corn and sorghum silages as influenced by different lactic acid bacteria inocula / Tabacco E., Righi F., Quarantelli A., Borreani G. // J. Dairy Sci., 2011, 94: 1409-1419 (doi: 10.3168/jds.2010-3538).Tabacco E. Dry matter and nutritional losses during aerobic deterioration of corn and sorghum silages as influenced by different lactic acid bacteria inocula / Tabacco E., Righi F., Quarantelli A., Borreani G. // J. Dairy Sci., 2011, 94: 1409-1419 (doi: 10.3168/jds.2010-3538).Rigу E. Ensiling alfalfa with hydrolyzed corn meal additive and bacterial inoculant / Rigу E., Zsédely E., Tóth T., Schmidt J. // Acta Agronomica Óvariensis, 2011, 53(2): 15-23.Rigу E. Ensiling alfalfa with hydrolyzed corn meal additive and bacterial inoculant / Rigу E., Zsédely E., Tóth T., Schmidt J. // Acta Agronomica Óvariensis, 2011, 53(2): 15-23.Лаптев Г.Ю. Анализ накопления микотоксинов в кормовом растительном сырье и силосе / Лаптев Г.Ю., Новикова Н.И., Дубровина Е.Г., Ильина Л.А., Йылдырым Е.А., Никонов И.Н., Филиппова В.А., Бражник Е.А. // Кормопроизводство. 2014. №10. с. 36-39.Laptev G.Yu. Analysis of mycotoxin accumulation in fodder plant raw materials and silage / Laptev G.Yu., Novikova N.I., Dubrovina E.G., Ilyina L.A., Yildirim E.A., Nikonov I.N., Filippova V.A., Brazhnik E.A. // Fodder production. 2014. 10: 36-39. (In Russ.)Победнов Ю.А., Косолапов В.М. Биологические основы силосования люцерны с препаратами молочнокислых бактерий (обзор) / Сельскохозяйственная биология. 2018. Т. 53, № 2. С. 258-269.Pobednov Yu.A., Kosolapov V.M. Biological basis of alfalfa silage with preparations of lactic acid bacteria (review) / Agricultural Biology. 2018. 53(2): 258-269. (In Russ.)Осипян Б.А., Мамаев А.А. Эффективность применения препаратов «Биотроф 600» и «Биотроф 700» при силосовании обеспеченного сахаром растительного сырья / Кормопроизводство. 2014. № 11. С. 35-39.Osipyan B.A., Mamaev A.A. Efficiency of application of preparations ‘Biotroph 600’ and ‘Biotroph 700’ at ensiling of plant raw materials provided with sugar / Fodder production. 2014. 11: 35-39. (In Russ.)Нетрусов А.И., Бонч-Осмоловская Е.А., Горленко В.М. Экология микроорганизмов / М.: Академия, 2004. 272 с.Netrusov A.I., Bonch-Osmolovskaya E.A., Gorlenko V.M. Ecology of microorganisms / M.: Akademiya, 2004. 272 p. (In Russ.)Чубенко Г.И. Методы идентификации бактерий: метод. пособие / Благовещенск: Амурская ГМА, 2018. 44 с.Chubenko G.I. Methods of bacterial identification: method. manual / Blagoveshchensk: Amurskaya GMA, 2018. 44 p. (In Russ.)Гафаров Ф.М., Галимянов А.Ф. Искусственные нейронные сети и приложения: учеб. пособие. – Казань: Изд-во Казан. ун-та, 2018. 121 с.Gafarov F.M., Galimyanov A.F. Artificial neural networks and applications: textbook. - Kazan: Izd-vo Kazan. un-sta, 2018. 121 p. (In Russ.)Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика / М.: Горячая линия Телком, 2002. 382 с.Kruglov V.V., Borisov V.V. Artificial neural networks. Theory and practice / M.: Hotline Telkom, 2002. 382 p. (In Russ.)Воробьев Н.И., Селина М.В., Гусельникова А.А. Нейросетевая программа анализа состояния микробиоты животных / Свидетельство государственной регистрации программы для ЭВМ № 2024614895 от 29.02.2024 Заявка МВА имени К.И. Скрябина № 2024613194 от 16.02.2024.Vorobyov N.I., Selina M.V., Guselnikova A.A. Neural network programme for the analysis of the state of animal microbiota / Certificate of state registration of computer program No. 2024614895 from 29.02.2024 Application of K.I. Skryabin MBA No. 2024613194 from 16.02.2024. (In Russ.)Witten I.H., Frank E., Hall M.A., Kaufmann M. Data Mining: Practical Machine Learning Tools and Techniques. 3rd ed. / Witten I.H., Frank E., Hall M.A., Kaufmann M. // Elsevier, 2011. 629 p.Witten I.H., Frank E., Hall M.A., Kaufmann M. Data Mining: Practical Machine Learning Tools and Techniques. 3rd ed. / Witten I.H., Frank E., Hall M.A., Kaufmann M. // Elsevier, 2011. 629 p.Ben-Jacob E. Bacterial self-organization: coenhancement of complexication and adaptability in a dynamic environment / Phil. Trans. R. Soc. Lond. A. 2003. 361: 1283-1312.Ben-Jacob E. Bacterial self-organization: coenhancement of complexication and adaptability in a dynamic environment / Phil. Trans. R. Soc. Lond. A. 2003. 361: 1283-1312.Young I.M., Crawford J.W. Interactions and self-organization in the soil-microbe complex / Science, 2004, 304(5677): 1634-1637.Young I.M., Crawford J.W. Interactions and self-organization in the soil-microbe complex / Science, 2004, 304(5677): 1634-1637.Crawford J.W., Deacon L., Grinev D., Harris J.A., Ritz K., Singh B.K., Young I. Microbial diversity affects self-organization of the soil-microbe system with consequences for function / Journal of the Royal Society Interface. 2012, 9(71): 1302-1310.Crawford J.W., Deacon L., Grinev D., Harris J.A., Ritz K., Singh B.K., Young I. Microbial diversity affects self-organization of the soil-microbe system with consequences for function / Journal of the Royal Society Interface. 2012, 9(71): 1302-1310.Воробьев Н.И. Биосистемная самоорганизация и фрактальная структура частотно-таксономических профилей микробиоты кишечника бройлеров под влиянием кормовых пробиотиков / Воробьев Н.И., Егоров И.А., Кочиш И.И., Никонов И.Н., Ленкова Т.Н. // Сельскохозяйственная биология. 2021. 56(2): 400-410.Vorobyov N.I. Biosystem selforganisation and fractal structure of frequency-taxonomic profiles of microbiota of broiler intestine under the influence of feed probiotics / Vorobyev N.I., Egorov I.A., Kochish I.I., Nikonov I.N., Lenkova T.N. // Agricultural Biology. 2021. 56(2): 400-410. (In Russ.)Кочиш И.И. Нейросетевое моделирование фрактальной самоорганизации микробно‑организменных биосистем в кишечниках птиц / Кочиш И.И., Воробьев Н.И., Никонов И.Н., Селина М.В. // Ветеринария и Зоотехния. 2022. №12. С. 57-65.Kochish I.I. Neural network modelling of fractal self-organization of microbialorganism biosystems in the intestines of birds / Kochish I.I., Vorobiev N.I., Nikonov I.N., Selina M.V. // Veterinary and Zootechnia. 2022. 12: 57-65. (In Russ.)Manfred Schroeder. Fractals, Chaos, Power Laws: Minutes from an Infinite Paradise / NY: 2009. Dover Publications. 448 p.Manfred Schroeder. Fractals, Chaos, Power Laws: Minutes from an Infinite Paradise / NY: 2009. Dover Publications. 448 p.Sutrop U. List Task and a Cognitive Salience Index / Field metods. 2001. V. 13(3). P.263-276.Sutrop U. List Task and a Cognitive Salience Index / Field metods. 2001. 13(3): 263-276.Загоруйко Н.Г. Когнитивный анализ данных / Новосибирск: Академическое изд-во ГЕО. 2013. 183 с.Zagoruiko N.G. Cognitive data analysis / Novosibirsk: Academic Publishing House GEO. 2013. 183 p. (In Russ.)Ким Дж.-О. Факторный, дискриминантный и кластерный анализ/ Ким Дж.-О., Мюллер Ч.У., Клекка У.Р., Олдендерфер М.С., Блэшфилд Р.К. // М., 1989. 216 с.Kim J.-O. Factor, discriminant and cluster analysis / Kim J.-O., Mueller C.W., Klecka W.R., Oldenderfer M.S., Blashfield R.K. // M., 1989. 216 p.Заикина А.С. Нейросетевой анализ соответствия микробно-организменной биосистемы кишечника бройлеровы фрактально-стохастической модели / Заикина А.С., Буряков Н.П., Воробьев Н.И., Никонов И.Н. // Пермский аграрный вестник, № 4(40). 2022. С. 98-106.Zaikina A.S. Neural network analysis of compliance of microbial-organism biosystem of broiler intestine fractal-stochastic model / Zaikina A.S., Buryakov N.P., Vorobyev N.I., Nikonov I.N. // Perm agrarian bulletin, 4(40). 2022: 98-106. (In Russ.)Jürgen Schmidhuber. Deep learning in neural networks: an overview / Neural Netw. 2015. Jan:61:85-117 (doi: 10.1016/j.neunet.2014.09.003)Jürgen Schmidhuber. Deep learning in neural networks: an overview / Neural Netw. 2015. Jan:61:85-117 (doi: 10.1016/j.neunet.2014.09.003)Погодаев А.К. Применение нейросетевых моделей для построения продукционных правил экспертных систем / Погодаев А.К., Хабибуллина Е.Л., Инютин Д.М. // Прикладная математика и вопросы управления. 2021. № 2. С. 73-92.Pogodaev, A.K. Application of neural network models for building the production rules of expert systems / Pogodaev, A.K.; Habibullina, E.L.; Inyutin, D.M. // Applied mathematics and control issues. 2021. 2: 73-92. (In Russ.)Кулаков К.А., Димитров В.М. Основы тестирования программного обеспечения / Петрозаводск: Издательство ПетрГУ, 2018. 57 с.Kulakov, K.A.; Dimitrov, V.M. Fundamentals of software testing / Petrozavodsk: PetrSU Publishing House, 2018. 57 p. (In Russ.)Widrow, Bernard; et al. The no-prop algorithm: A new learning algorithm for multilayer neural networks / Neural Networks. 2013. 37. 182–188.Widrow, Bernard; et al. The no-prop algorithm: A new learning algorithm for multilayer neural networks / Neural Networks. 2013. 37: 182–188.Mascarenhas, WF. Fast and accurate normalization of vectors and quaternions / Comp. Appl. Math. 2018. 37, 4649–4660.Mascarenhas, WF. Fast and accurate normalization of vectors and quaternions / Comp. Appl. Math. 2018. 37: 4649–4660.Nikolić, D. Scaled correlation analysis: a better way to compute a cross-correlogram / Nikolić, D; Muresan, RC; Feng, W; Singer, W. // European Journal of Neuroscience. 2012. 35(5). 1–21.Nikolić, D. Scaled correlation analysis: a better way to compute a cross-correlogram / Nikolić, D; Muresan, RC; Feng, W; Singer, W. // European Journal of Neuroscience. 2012. 35(5): 1–21.Everitt, BS. Cluster Analysis / Everitt, BS, Landau S, Leese M, Stahl D. // John Wiley & Sons, 2011. 352 p.Everitt, BS. Cluster Analysis / Everitt, BS, Landau S, Leese M, Stahl D. // John Wiley & Sons, 2011. 352 p.Маркова Л.В., Корчевская Е.А. Численные методы нахождения собственных векторов и собственных значений матриц / Витебск: УО «ВГУ им. П. М. Машерова», 2011. 47 с.Markova L.V., Korchevskaya E.A. Numerical methods of finding eigenvectors and eigenvalues of matrices / Vitebsk: P.M. Masherov State University, 2011. 47 p. (In Russ.)Йылдырым Е.А. Изучение эпифитной микрофлоры как источника формирования микробиоценоза силоса методом NGS-секвенирования / Йылдырым Е.А., Лаптев Г.Ю., Ильина Л.А., Никонов И.Н., Филиппова В.А., Солдатова В.В., Бражник Е.А., Новикова Н.И., Гагкаева Т.Ю. // Сельскохозяйственная биология. 2015. Т. 50. №6. С. 832-838.Yildirim E.A. Study of epiphytic microflora as a source of silage microbiocenosis formation by NGS-sequencing method / Yildirim E.A., Laptev G.Y., Ilyina L.A., Nikonov I.N., Filippova V.A., Soldatova V.V., Brazhnik E.A., Novikova N.I., Gagkaeva T.Y. // Agricultural Biology. 2015. Т. 50(6): 832-838. (In Russ.)Дюк В. А., Флегонтов А. В., Фомина И. К. Применение технологий интеллектуального анализа данных в естественнонаучных, технических и гуманитарных областях // Известия РГПУ им. А.И. Герцена. 2011. №138. С. 77–84.Duke V. A., Flegontov A. V. V., Fomina I. K. Application of data mining technologies in natural science, technical and humanitarian fields // Izvestiya RGPU named after A.I. Herzen. 2011. 138: 77-84. (In Russ.)

The authors declare that there are no conflicts of interest present.