Требования по обеспечению пожарной безопасности

На рабочем месте запрещается иметь огнеопасные вещества.

В помещениях запрещается:

• а) зажигать огонь;
• б) включать электрооборудование, если в помещении пахнет газом;
• в) курить;
• д) закрывать вентиляционные отверстия в электроаппаратуре

Источниками воспламенения являются:

• а) искра при разряде статического электричества
• б) искры от электроборудования
• в) искры от удара и трения
• г) открытое пламя

При возникновении пожароопасной ситуации или пожара персонал должен немедленно принять необходимые меры для его ликвидации, одновременно оповестить о пожаре администрацию.

Помещения с электроборудованием должны быть оснащены огнетушителями типа ОУ-2 или ОУБ-3.

Примечание. Время перерывов дано при соблюдении требований настоящих Санитарных правил и норм. При несоответствии фактических условий труда требованиям настоящих Санитарных правил и норм время регламентированных перерывов следует увеличить на 30.

Результаты исследования

Для того чтобы отработать применение методов классической статистики, многомерной статистики мы провели компьютерную обработку раннее необработанных данных предоставленные к. с.-х. н., доцентом Сорокиной О. А. с кафедры агрохимии.

На первом этапе отрабатывали применение классической статистической обработки. В качестве модельного объекта были использованы данные по содержанию влаги на разных почвах в течение вегетационного периода. Цель эксперимента, проводившегося агрономами, состояла в том, чтобы выяснить влияние горизонта и типа почвы на содержание влаги.

Для анализа экспериментальных данных мы применили двухфакторный дисперсионный анализ с повторениями, встроенный в стандартный пакет анализа программы Excel. Проанализировав данные, мы выяснили, что до появления всходов влияние типа почвы на содержание влаги не наблюдается, горизонт почвы не оказывает влияния на содержание влаги, эффекта взаимодействия не наблюдается у изучаемых факторов. Это означает, что тип почвы не зависит от горизонта почвы по содержанию влаги (табл. 1).

Таблица 1 Двухфакторный дисперсионный анализ влияния типа почвы и горизонта на содержание влаги до появления всходов.

Во время всходов тип почвы не влияет на содержание влаги, горизонт почвы также не оказывает влияния на содержание влаги, взаимодействия между изучаемыми признаками не наблюдается (табл. 2).

Таблица 2 Двухфакторный дисперсионный анализ влияния типа почвы и горизонта на содержание влаги в фазу всходов.

Во время кущения на содержание влаги тип почвы оказывает влияние, влияние горизонта почвы не доказано, эффекта взаимодействия не наблюдается (табл.3).

Таблица 3 Двухфакторный дисперсионный анализ влияния типа почвы и горизонта на содержание влаги в фазу кущения.

Во время колошения тип почвы на содержание влаги влияет. Влияние горизонта на содержание влаги в почве не доказано. Эффект взаимодействия не наблюдается. Это означает, что влияние типа почвы на содержание влаги не зависит от почвенного горизонта (табл.4).

Таблица 4 Двухфакторный дисперсионный анализ влияния типа почвы и горизонта на содержание влаги в фазу колошения.

Во время уборки на содержание влаги тип почвы влияет, горизонт в значительной степени влияет, эффект взаимодействия между типом и горизонтом почвы не наблюдается (табл. 5).

Таблица 5 Двухфакторный дисперсионный анализ влияния типа почвы и горизонта на содержание влаги во время уборки.

На содержание влаги после уборки тип почвы влияет, горизонт почвы также не влияет, эффект взаимодействия между изучаемыми факторами не доказан (табл. 6).

Таблица 6 Двухфакторный дисперсионный анализ влияния типа почвы и горизонта на содержание влаги после уборки.

Таким образом, можно сказать, что дисперсионный анализ может с успехом применяться для анализа агрохимических данных.

Для изучения динамики изменения содержания влаги в почвах разного типа был проведен регрессионный анализ. Средствами Excel были построены графики изменения влажности почвы и построены уравнения регрессии. Результаты представлены на графиках.

На основании первого графика можно вынести суждение, что в березовом лесу больше всего влаги в почве оказалось до появления всходов растения. Наименьшее количество влаги в почве было во время колошения растения (рис. 1).

Рис. 1. Содержание влаги в зависимости от периода роста растения в березовом лесу

На основании второго графика можно сказать, что на пашне 2−3 года, наибольшее количество влаги в почве оказалось, как и на первом графике, до появления всходов, наименьшее в период кущения (рис. 2).

Рис. 2. Содержание влаги в зависимости от периода роста растения на пашне 2−3 года пользования

Третий график показывает, что в сосновом лесу наибольшее количество влаги в почве наблюдается во время всходов растения, наименьшее — во время колошения растения (рис. 3).

Рис. 3. Содержание влаги в зависимости от периода роста растения в сосновом лесу

На основании четвертого графика, можно вынести суждение, что на пашне 5−7 года наибольшее количество влаги наблюдается до появления всходов, наименьшее — во время колошения (рис. 4).

Рис. 4. Содержание влаги в зависимости от периода роста растения на пашне 5−7 года

Помимо дисперсионного анализа мы изучали возможность использования корреляционного и регрессионного анализа в агрохимии для прогнозирования урожая по основным показателям плодородия (влажность, объемная масса, содержания нитратов, аммония, подвижного фосфора).

На первом этапе мы провели корреляционный анализ (табл. 7).

Таблица 7 Корреляционный анализ прогнозирования урожая по основным показателям плодородия.

Как видно из таблицы 6 простая корреляция нам ничего не дает. Коэффициенты корреляции низкие. Самая высокая корреляция наблюдается между фосфором и урожаем. Тем не менее, и этот показатель корреляции не позволяет судить об урожайности. Это означает, что данные показатели плодородия не влияли (или в малой степени влияли) на урожайность в изучаемом году (1979 год).

С теми же данными мы провели регрессионный анализ (рис. 5).

Рис. 5. Линейная зависимость между урожаем и подвижным фосфором

Несмотря на наличие некоторой корреляции прогностические возможности уравнения регрессии не велики.

В качестве примера мы показываем результаты подбора других регрессионных моделей к одному и тому же набору данных (рис. 6).

Рис. 6. Результаты применения различных регрессионных моделей к одному и тому же набору данных: 1 — линейная модель; 2- логарифмическая модель; 3 — полиномиальная модель; 4 — степенная модель; 5 — экспоненциальная модель; 6 — линейная фильтрация

Таким образом, можно сделать вывод, что простая линейная регрессия не применима к анализу агрохимических данных.

Поскольку методы классической статистической обработки не позволили установить зависимости между показателями, мы применили многомерные методы статистической обработки.

В качестве наиболее подходящего способа обработки данных был применен метод множественной регрессии. В качестве зависимой переменой выступал урожай (у), в качестве независимых все остальные показатели (влажность, объемная масса, содержание нитратов, аммония, подвижного фосфора).

В результате анализа было получено уравнение множественной регрессии вида:

У=0,374*Х1 + 0,44*Х2 + 0,10*Х3 + 0,69*Х4 + 0,12*Х5 + 0,133*Х6 +.

+ 0,014*Х7 + 0,500*Х8 + 0,017*Х9 + 0,305*Х10, где Х1 — влажность почвы (%) на глубине 0−20 см;

Х2 — влажность почвы (%) на глубине 20−40 см;

Х3 — объемная масса (г/см?) на глубине 0−20 см;

Х4 — объемная масса (г/см?) на глубине 20−40 см;

Х5 — содержание нитратного азота на глубине 0−20 см;

Х6 — содержание нитратного азота на глубине 20−40 см;

Х7 — содержание аммонийного азота на глубине 0−20 см;

Х8 — содержание аммонийного азота на глубине 20−40 см;

Х9- содержание подвижного фосфора на глубине 0−20 см;

Х10 — содержание подвижного фосфора на глубине 20−40 см;

В результате анализа выяснилось, что с применением множественной регрессии, можно прогнозировать урожай на статистически значимом уровне (0,805). Это подтверждается графиком анализа остатков (рис. 7).

Рис. 7. Распределение остатков уравнения регрессии: красным цветом выделено нормальное распределение

Как видно из представленных данных, распределение остатков практически не отличается от нормального. Это свидетельствует о том, что подобранное уравнение множественной регрессии адекватно обрабатываемым данным и не может быть улучшено. Корреляционное отношение между изучаемыми показателями и урожаем, являющееся аналогом коэффициента корреляции, достаточно велико и составляет 0,722.

Тем не менее, предсказательные возможности уравнения, построенного по данным одного отдельно взятого года, недостаточны для уверенного прогнозирования урожая (рис. 8, табл. 8).

Рис. 8. Отклонения наблюдаемых значений урожая (ось У) от предсказанных по уравнению регрессии (ось Х). Красным цветом выделены границы, вне которых расхождение предсказанных и наблюдаемых значений нельзя объяснить статистической погрешностью.

Таким образом, можно сделать выводы, что модель множественной регрессии подходит к описанию данных и обладает прогностическими свойствами, однако она не вполне адекватно отражает реально существующие в природе закономерности, и может быть улучшена. Мы считаем, что для улучшения существующей модели целесообразно включить в последующих исследованиях данные по различным годам.