часть 2 - Сибирское отделение аграрной науки

Глава 5. ИНФОРМАЦИОННЫЕ
ТЕХНОЛОГИИ В ЖИВОТНОВОДСТВЕ
И ВЕТЕРИНАРИИ
5.1. Основные направления применения
информационных технологий
в животноводстве
В поисках новых путей повышения рентабельности производства продукции животноводства,
работники сельского хозяйства сталкиваются с
проблемой сбалансированности рационов в кормлении животных. Несбалансированное кормление
негативно влияет на продуктивность и конечную
себестоимость продукции.
Сегодня каждый производитель самостоятельно решает вопрос оптимального расчета рецептов
кормов, либо разрабатывая программное обеспечение собственными силами, либо покупая его за
немалые деньги у западных производителей.
При этом остается вопросом, удовлетворят ли
такие программы требования, как мелких фермеров, так и крупных животноводческих хозяйств.
Чтобы определить оптимальный состав корма
для животных, необходимо учитывать как минимум 30 различных показателей. При расчете кормов вручную зоотехники обычно оптимизируют
только основные элементы рациона – протеин,
кальций, фосфор, одну или две аминокислоты, а
185
на остальные показатели (например, действие
ферментов) просто не обращают внимания. Каким
бы опытным ни был зоотехник, наиболее точный
расчет проведет только компьютер. Поэтому сегодня на некоторых агропредприятиях оптимизируют корма при помощи специальной компьютерной
программы, подбирающей оптимальный вариант
кормления и сводящей к минимуму производственные издержки.
По сведениям разработчиков компьютерных
программ, около 15 % отечественных хозяйств используют компьютер для оптимизации рационов
кормления.
В российском животноводстве компьютерные
расчеты начали использовать в составлении рациона 30 лет назад. В начале 70-х гг. Всесоюзный
НИИ комбикормовой промышленности по заданию Министерства заготовок СССР разработал
программу для расчета оптимальных рецептов
комбикормов и планирования сырьевых ресурсов
на ЭВМ. В 80-е гг. Центральный научноисследовательский институт агрохимического обслуживания сельского хозяйства разработал несколько программ для определения рациона –
«Корма», «Питкор», «Ропод». В середине 90-х появилось много частных фирм, разрабатывающих
программное обеспечение для расчета кормов.
Кроме того, на рынке появились западные аналоги
– французская Allix и американская Brill. Их ин186
терфейс оказался достаточно сложным для российских зоотехников, а работа с ними требовала
консультаций специалиста и дополнительного
обучения. В результате «АгроОптим», компания –
поставщик этих программ, на основе пожеланий
российских специалистов разработала собственную программу «Рецепт-Плюс».
В 1998 г. кафедра экономической кибернетики
Московской сельскохозяйственной академии им.
Тимирязева выпустила программу «Анализ и комплексная оптимизация рационов, комбикормов и
премиксов» для скота, свиней, птицы и овец. Эта
программа подбирает рецепты комбикормов, премиксов, белково-витаминных добавок и определяет их стоимость, а также учитывает потенциальную продуктивность животных, степень усвоения
кормов и эффект действия ферментов.
Компьютерные программы используют в основном на крупных предприятиях. Фермерские
хозяйства покупают их редко, так как небольшой
объем производства не позволяет быстро окупить
программу. Состав рациона, оптимизированный
вручную, оказывается примерно на 5-10 % дороже
того, что просчитала программа. Оптимизация рациона по компьютерной программе сокращает затраты на корма, таким образом снижается себестоимость конечного продукта.
В животноводстве затраты на корм составляют
большую долю в себестоимости продукции жи187
вотноводства: в производстве крупного рогатого
скота – 20-50 %, в свиноводстве – 30-60 %, а на
птицеводческих предприятиях – от 40 % до 80 %.
На российском рынке представлено около десятка отечественных программ и две-три зарубежные разработки (табл. 5.1). Несмотря на сложности с установкой и эксплуатацией зарубежных
программ, многие наши предприятия их успешно
применяют. Сам алгоритм расчета рациона во всех
программах один и тот же, основные различия
связаны с дополнительными функциями – учетом
действия ферментов, пересчетом аминокислот на
основе протеина, обменом энергии и т. д.
Среди программ бонитировки можно выделить
программу бонитировки в племенном хозяйстве
«FIAS», которая используется для сдачи отчета по
бонитировке свинопоголовья на магнитном и бумажном носителе в Минсельхозпрод областей.
Программа рекомендована Минсельхозом РФ и
ВНИплем
(Головной
информационноселекционный центр животноводства России).
В племенном животноводстве за многие годы
накоплен громадный объем информации. В первозданном виде он лишь в незначительной степени
может быть представлен как информационный ресурс, поскольку для его реализации традиционными методами требуются непомерно большие материальные и физические затраты.
188
Таблица 5.1
Программы для расчета рационов, комбикормов, премиксов
(характеристики и расценки)
Название
программы
1
«Кормоптима»
189
Разработчик
Сфера
применения
Параметры
расчета
Дополнительные сервисы
2
ОАО
«Всероссийский
НИИ
комбикормовой
промышленности», г.
Воронеж
3
Оптимизация
рецептов рационов для
всех видов
животных;
оптимизация
рационов
кормления с/х
животных;
оптимизация
рецептов белкововитаминноминеральных
добавок, в том
числе адресных; расчет
рецептуры
премиксов
4
Учет доступности протеина,
аминокислот и фосфора;
расчет обменной энергии на
основании фактических носителей питательности сырья;
пересчет содержания аминокислот в сырье по уровню сырого протеина;
минимизация стоимости рациона на основании учета суточной
подачи корма;
анализ эффективности применения ферментных препаратов
для конкретной сырьевой базы;
оценка рыночной стоимости
сырья, расчет потребности в
сырье на производственную
программу на любой период
времени;
расчет адресных концентратов,
ориентированных на сырье потребителя
5
Обновляемая нормативна база
данных для расчета рецептов
комбикормов, разрабатываемая
институтом и утвержденная
Минсельхозом РФ;
дополнительная информация
по нормативам кормления всех
кроссов птицы, а также требования к суточным рационам кормления КРС и свиней;
учет движения сырья и готовой
продукции, технология и учет
движения поголовья птицы на
птицефабрике;
возможность сетевого режима
работы (технология, клиент/сервер);
интерфейс с распространенными бухгалтерскими программами
(1С, 1. Soft Office)
Технические
требования
6
Процессор не
ниже
Pentium
100 МГц,
объем на
жестком
диске 20
Мб, оперативная
память не
менее 32
Мб, операционная система
Windows
95/98/МЕ
/2000/NT/
XP
Цена
7
$ 1000
189
190
Продолжение таблицы 5.1
1
«Анализ
и комплексная
оптимизация
рационов,
комбикормов и
премиксов»
2
МСХА
им. К.А.
Тимирязева,
г. Москва
3
Содержание и
эксплуатация
КРС свиней,
овец, птицы;
производство
комбикормов,
белкововитаминноминеральных
добавок и
премиксов
«РецептПлюс»
«Агро
Оптим»,
г. Самара
Все виды животных
190
4
Стоимость кормов;
фактическая перевариваемость
и усвояемость кормов;
план расходования кормов;
разные цены запасных и вновь
покупаемых кормов;
эффект ферментов, потенциальная продуктивность животных;
максимизация прибыли и рентабельности от кормления животных по рассчитываемому
рациону, максимизация сбалансированности рациона без учета
стоимости кормов;
потери и упущенная прибыль,
обусловливаемые несбалансированностью рациона;
показатели общей сбалансированности рационов;
показатели экономической эффективности кормления
Стоимость кормов:
питательность рецепта,
соотношение показателей питательности;
ограничение по группам сырья,
задание процента ввода рецептов
белково-витаминноминеральных добавок
5
Комплектация модулями, учитывающими особенности кормления, учет эффекта бетаина;
учет кривой лактации, докорм
животных повышенной продуктивности;
расчет себестоимости продукции, комбикормов и премиксов;
сетевые версии;
связь с программой по анализу
и планированию запасов кормов
на все группы животных и задаваемый период времени, связь с
программным комплексом «Молочно-товарная ферма»
6
Windows
95/98/МЕ
/2000/NT/
XP
7
$ 260
Возможность ведения справочников сырья, цен;
возможность выделения из готовых рецептов и сохранения в
базе данных предварительных
смесей (премиксов, рецептов
белково-витаминноминеральных добавок, зерновых
Windows
95/98/МЕ
/2000
$ 800
Окончание таблицы 5.1
1
2
3
4
при одновременном расчете с
рецептом,
оценка рентабельных цен на
сырье;
оценка влияния ограничений на
стоимость рецепта, возможность
учитывать влияние ферментов
5
смесей) с сохранением связи
рецептуры и данной смеси;
справочники нормативов кормления различных групп животных;
расчет потребности в сырье по
выбранному ассортименту рецептур комбикормов
«Poultry»
ООО
«БАСИ»,
г. Саратов
Птицеводство
(куры, бройлеры, утки, гуси,
перепела,
индейки, различных кроссов и возрастных групп)
Возможность расчета рационов
для других видов животных
(свиней, рыб, собак, певчих птиц
и т.д.)
«NORO»
«Частная
фирма»,
г. Воронеж
Все виды животных
Показатели питательности, состав витаминных смесей, премиксов, рецептов белкововитаминно-минеральных добавок
(белково-минеральных питательных добавок и кормовых
смесей различного состава и
назначения);
стоимость сырья
Наличие сырья для производства, показатели качества и стоимости сырья, требования различных стандартов (ГОСТ, ОСТ,
СТП, и т. д.) к качеству корма;
ограничение на цену рассчитываемого рациона корма;
рекомендации по вводу сырья в
корм и пр.
6
7
Windows
95/98/
2000
$ 500
Windows
95/98/NT
$170
191
191
С началом формирования компьютерных баз
данных по племенному животноводству положение резко меняется. Становится возможным решение для отрасли громадной по своей важности и
сложности задачи: извлечь максимум информации
за всю историю разведения какой-либо породы и
превратить ее в активно функционирующий ресурс.
В настоящее время становится все более ясным
следующее. Чтобы сельскохозяйственное предприятие могло занять достойное место и на равных участвовать в условиях рыночной экономики
с себе подобными, оно должно осуществлять производственный процесс на основе высокотехнологичного, т.е. компьютерного информационно–
организационного обеспечения.
В повышении эффективности селекционного
процесса особую роль играет совершенствование
методов племенной работы, позволяющих выводить животных с высокой степенью однородности
и имеющих наследственные предпосылки к производству максимума продукции необходимого
качества.
Традиционные методы определения племенной
ценности животных, предусматриваемые бонитировкой, во многом не соответствуют современным
представлениям о наследовании количественных
признаков. К настоящему времени достаточно
много работ посвящено вопросам оценки генети192
ческих параметров количественных признаков
животных [5.1-5.6]. Но в практической деятельности отбор фактически базируется только на оценке
животных по собственной продуктивности. Привлечение к оценке продуктивности предков, потомков и бокового родства носит эпизодический
характер и не оказывает существенного влияния
на темпы селекции.
Объединить разрозненные теоретические исследования по оценке генетических параметров
количественных признаков животных, обобщить
некоторые алгоритмы расчета генетических параметров, применить генетико-математические модели для оценки племенных качеств животных –
вот задачи, которые попытались решить ЦИВАО и
СибНИПТИЖ.
В ходе выполнения работ разработаны модели
с применением метода наименьших квадратов для
случаев, когда влиянием среды на расчет оценок
генетических параметров можно пренебречь. Построена модель расчета реализованной наследуемости и селекционного эффекта признаков племенных животных. Разработаны алгоритмы расчета генетических параметров для признаков на контрольном откорме [5.7-5.9].
Проведенный анализ показал, что ни один из
алгоритмов не может обеспечить необходимую
точность оценок для всех признаков животных.
Поэтому был создан единый алгоритм расчета ге193
нетических параметров животных по данным об
их сибсах и полусибсах, учитывающий генеалогическую структуру выборки, а также влияние доминирования и среды на оцениваемые параметры.
Проведена апробация моделей, используемых в
алгоритме, на данных о происхождении, развитии
и продуктивности свиней племзавода «Большевик» Мошковского района Новосибирской области. Анализ результатов показал, что использование алгоритма позволяет повысить достоверность
оценок генетических параметров животных.
5.2. База данных «Правовые и нормативные
документы по вопросам племенного
животноводства»
База данных «Правовые и нормативные документы по вопросам племенного животноводства»
(локальная версия) разработана Главным вычислительным центром Минсельхоза России при участии ведущих специалистов в области племенного
животноводства (рис. 5.1, 5.2).
Локальная версия базы данных представлена
на лазерном носителе (CD-ROM) в виде сформированных HTML–страниц, содержащих структурированные гипертекстовые ссылки, просмотр которых осуществляется любой стандартной программой просмотра HTML–страниц.
194
Рисунок 5.1. Фрагмент базы данных «Правовые
и нормативные документы племенного животноводства»
Обновление информации локальной базы данных осуществляется по мере утверждения новых
правовых и нормативных документов по племенному животноводству.
В базе данных представлены:
– федеральный закон «О племенном животноводстве»;
– закон Российской Федерации «О селекционных достижениях»;
– федеральный закон «О лицензировании отдельных видов деятельности»;
– общие требования к аккредитующему органу;
– документы по «Системе сертификации племенного материала (продукции) сельскохозяйственных животных»;
195
Рисунок 5.2. Фрагмент базы данных «Правовые
и нормативные документы племенного животноводства»
– действующие законодательные и нормативные акты по племенному животноводству;
– действующие законодательные и нормативные акты по селекционным достижениям в животноводстве Российской Федерации.
База данных предназначена для специалистовконсультантов районной (региональной) информационно-консультационной службы АПК России, специалистов органов управления сельским
хозяйством (районного, регионального управления
или департамента), а также непосредственно сель196
ского товаропроизводителя различных форм собственности. Пользователю предоставляется инструментарий для быстрой выборки нужной информации из базы данных.
Выходной информацией являются, получаемые
в результате выполнения запроса на поиск, электронные версии в формате HTML–листов следующие документы и их фрагменты:
– действующие законодательные и нормативные акты по племенному животноводству и селекционным достижениям, включая законы Российской Федерации;
– действующие законодательные и нормативные акты по племенному животноводству и селекционным достижениям, включая законы Российской Федерации;
– государственные стандарты;
– постановления Правительства Российской
Федерации;
– приказы Минсельхоза РФ;
– положения, методики, правила, инструкции и
другие документы, разъясняющие и дополняющие
отдельные статьи законов.
197
5.3. Программа
«Оптимизация и анализ рационов
сельскохозяйственных животных»
Рисунок 5.3. Фрагмент программы «Оптимизация и анализ
рационов сельскохозяйственных животных»
Программа «Оптимизация и анализ рационов
сельскохозяйственных животных» позволяет оперативно определять суточную потребность в кормах для животных различных половозрастных
198
групп крупного рогатого скота, свиней и овец,
обеспечивающую запланированный уровень их
продуктивности (рис. 5.3, 5.4).
Рисунок 5.4. Фрагмент программы «Оптимизация и анализ
рационов сельскохозяйственных животных»
Программа предназначена для специалистов
информационно-консультационных служб регионального и районного уровней, а также сельхозтоваропроизводителей различных форм собственности.
В основу расчетов рационов заложены нормативы кормления животных в зависимости от их
вида, возраста, пола, породы, продуктивности, фи199
зиологического состояния, а также химического
состава и питательности кормов.
Оптимизация рациона кормления, удовлетворяющего зоотехническим нормам кормления животных, проводится по следующим критериям:
– минимальная стоимость сбалансированного
рациона;
– максимальная эффективность с учетом цен
на продукцию и потерь, вызываемых дисбалансом
элементов питания и неоптимальным расходованием кормов;
– максимальная сбалансированность рациона.
В соответствии с нормами кормления и наличием кормов пользователь получает рассчитанные
рационы, сбалансированные по общей питательности, содержанию перевариваемого протеина,
клетчатки, аминокислот, макроэлементов, микроэлементов – всего по 26 элементам питательности.
В рационах также учитывается соотношение отдельных групп кормов и элементов питательности.
Нормативно-справочная информация содержит
данные о питательности единицы каждого вида
корма, себестоимости единицы корма – всего по
250 различным кормам.
Пользователю предоставляется возможность
получить справки о рассчитанном рационе, питательности кормов и нормах кормления животных.
200
5.4. База данных
«Состав и питательность кормов»
База данных «Состав и питательность кормов»
создана на основе данных, полученных в результате анализа состава и питательности кормов России, проведенных специалистами ВИЖа, и предназначена для использования в качестве одного из
компонентов информационного обеспечения Информационно-консультационной службы (ИКС)
АПК России (рис. 5.5).
Рисунок 5.5. Фрагмент базы данных
«Состав и питательность кормов»
Функционирование базы данных обеспечит сотрудников информационных консультационных
201
центров регионального и районных уровней, работающих с сельскими товаропроизводителями, а
также самих товаропроизводителей и специалистов сельскохозяйственных предприятий всех
форм собственности достаточно полной информацией о химическом составе и питательности кормов и кормовых добавок сельскохозяйственных
животных по 22-30 элементам питания.
Сравнительный анализ фактического состава и
питательности кормов с информацией, представленной в базе данных, позволит консультантам и
специалистам выбрать наиболее подходящие для
местных условий кормовые культуры, которые
необходимы для организации кормовых севооборотов и пастбищеоборотов, планирования производства кормов и, как следствие, для повышения
продуктивности животных.
База данных включает в себя информацию о
химическом составе и питательности кормов для:
– трав естественных угодий (по видам естественных угодий, например, трава суходольного
луга, трава заливного луга и т.п.);
– зеленой массы сеяных угодий (по видам кормовых культур и срокам уборки, например, зеленая масса клевера, убранного в период бутонизации; зеленая масса люцерны; зеленая масса викоовсяной смеси, убранной в период выхода овса в
трубку и т.п.);
202
– нетрадиционных зеленых кормов (козлятник,
амарант и т.п.);
– сена естественных угодий (по видам естественных угодий, например, сено суходольного
луга, сено заливного луга и т.п.);
– сена сеяных культур (по видам кормовых
культур и срокам уборки, например, сено клеверное в период бутонизации, сено люцерны, сено
однолетних трав и т.п.);
– травяной муки (по видам сырья, например,
травяная мука клеверная, травяная мука люцерновая и т.п.);
– соломы, мякины (по видам зерновых культур,
например, солома яровой пшеницы, солома овсяная, солома озимой ржи и т.п.);
– силоса (по видам сырья, например, силос кукурузный, силос многолетних трав, силос подсолнечный и т.п.);
– сенажа (по видам сырья, например, сенаж
клеверный, сенаж клеверотимофеечный, сенаж
викоовсяный и т.п.);
– корнеклубнеплодов и овощей (по видам
культур, например, картофель, свекла кормовая,
лист капусты, морковь и т.п.);
– зерновых кормов (по видам зерновых культур, например, зерно яровой пшеницы, зерно овса,
зерно озимой пшеницы и т.п.);
– комбикормов (по видам животных, например,
для крупного рогатого скота, для свиней, для пти203
цы и т.п.; по срокам применения, например, стартовый комбикорм);
– отходов технических производств (жмыхов и
шротов, барды, дробины, мезги и жома, дрожжей);
– молока и молочных продуктов (молока различной жирности, обрата, сыворотки, творога
и т.п.);
– кормов животного происхождения (мясокостной муки, рыбной муки и т.п.);
– биологически-активных добавок;
– минеральных добавок.
Химический состав и питательность кормов
характеризуются следующими показателями:
– питательность (кормовые единицы, обменная
энергия, сухое вещество, сырой и переваримый
протеин, сырой жир, сырая клетчатка);
– аминокислоты (лизин, метионин + цистин);
– макроэлементы (кальций, фосфор, магний,
калий, натрий, хлор, сера);
– микроэлементы (железо, медь, цинк, марганец, кобальт, йод);
– витамины (каротин, А, D, Е, В1, В2, В3, В4,
В5, В6, В12).
База данных содержит также информацию об
ограничениях по использованию отдельных видов
кормов и кормовых добавок различными видами
животных.
204
5.5. База данных
«Нормы и рационы кормления
сельскохозяйственных животных»
База данных «Нормы и рационы кормления
сельскохозяйственных животных» разработана
Главным вычислительным центром Минсельхозпрода России при участии ведущих специалистов в области кормления сельскохозяйственных
животных Всероссийского института животноводства (рис. 5.6).
Рисунок. 5.6. Фрагмент базы данных «Нормы и рационы
кормления сельскохозяйственных животных»
База данных предназначена для специалистовконсультантов районной (региональной) инфор205
мационно-консультационной службы АПК России, специалистов органов управления сельским
хозяйством (районного, регионального управления
или департамента), а также непосредственно сельского товаропроизводителя различных форм собственности.
База данных позволяет получить достаточно
полную информацию о нормах и рационах кормления сельскохозяйственных животных по видам
и половозрастным группам с учетом уровня их
продуктивности и физиологического состояния.
При нормировании кормления учитывается 22-30
показателей незаменимых факторов питания, потребность животных в энергии выражается в единицах обменной энергии и кормовых единицах.
Пользователю предоставляется инструментарий для быстрой выборки нужной информации из
базы данных.
За основу классификации норм и рационов
кормления сельскохозяйственных животных в базе данных принята классификация, используемая в
справочном пособии [5.10].
5.6. Основные направления применения
информационных технологий в ветеринарии
С тех пор как человечеству стали известны
инфекционные болезни и та угроза, которую они
несут,
возникло
естественное
стремление
206
предвидеть их появление. Достаточно быстро
стало ясным, что нельзя эффективно вести любой
вид деятельности без достижения возможностей
предсказания поведения различных систем, а
следовательно моделирования и мониторинга
протекающих в них процессов.
Предсказание (или более научный термин
прогнозирование) в начале строилось по методу
исторических аналогий [5.11]. Ветеринарные
врачи, диагностируя инфекционные болезни, как
правило, прогнозируют их течение и исход,
опираясь на знание сущности инфекционного
процесса соответствующей болезни. Но в
настоящее время стоит задача прогнозировать
вспышки инфекционных болезней животных. Для
эпизоотического прогнозирования недостаточно
знаний о проявлении инфекционного процесса.
Требуется описание механизма циркуляции
возбудителя болезни в природе, путей его
распространения, оптимальных условий жизнедеятельности, факторов, влияющих на ее
изменение и т.д. Но наиболее эффективным путем
для прогнозирования является моделирование,
поскольку воспроизведение эпизоотии с целью
изучения в естественных условиях исключается,
то имитация их математическими моделями
представляет большой как научный, так и
практический интерес.
207
Важное государственное значение в системе
профилактических мероприятий, осуществляемых
в современный период, занимает эпизоотологоэпидемический надзор за зооантропонозами,
необходимыми элементами которого является
многоаспектное
изучение
пространственно
временных особенностей проявления аутохтонных
и синатропно-хозяйственных очагов, экологической ниши возбудителя, механизма передачи
возбудителя инфекции в условиях различных
ландшафтно-эпидемиологических районов.
Эпизоотологический мониторинг является
непременной составляющей частью контроля над
эпизоотическим процессом. Он представляет
собой систему наблюдений, анализа, оценки и
прогноза изменений эпизоотической ситуации
[5.12]. В этом случае управление эпизоотическим
процессом представляется как воздействие на него
путем блокирования и обезвреживания всех
звеньев эпизоотической цепи.
Моделирование успешно развивается во всех
областях
научных
знаний.
Аналогично
происходит и в эпизоотопии, но с некоторым
запаздыванием ввиду сложности и многофакторности эпизоотического процесса, а также
предпочтением
ветеринарных
специалистов
традиционным
методам
исследования,
не
тяготеющих к высокому уровню абстрагирования.
208
Эпизоотический процесс зависит от большого
количества
факторов.
Работать
с
таким
количеством переменных неоправданно трудоемко. Поэтому использование вычислительной
техники для обсчета алгоритмов моделирования
эпизоотических ситуаций более чем оправдано.
В настоящий момент на Российском рынке
представлен ряд разработок: базы данных по правовой информации в области ветеринарии, ветеринарным препаратам, а также автоматизированные системы мониторинга эпизоотического процесса при различных болезнях животных.
5.7. Программная модель
эпизоотологического мониторинга
Программа разработана совместно ГНУ ЦИВО
СО РАСХН и ИЭВСиДВ в период с 1996 по 2000
гг. [5.14]. Данная работа создавалась, прежде всего, для получения новых теоретических знаний об
эпизоотическом процессе с помощью математических моделей и современных информационных
технологий.
Информационная система предназначена для
организации,
использования,
хранения
и
поддержания в актуальном и корректном
состоянии
компонентов
информационного
обеспечения
системы
(совокупности
всех
сведений, обеспечивающих решение задач
209
системы).
Компонентами
информационного
обеспечения являются документы, хранящие
информацию о проявлениях эпизоотического
процесса, нормативно-справочная информация,
различные сведения для решения задач системы.
Совокупность компонентов информационного
обеспечения образует информационную базу
системы. По форме представления данных
информационную базу можно подразделить на две
составляющие:
информационный
фонд
и
внутримашинную базу данных.
В состав информационного фонда входят
текстовые документы в виде различных
нормативно-справочных данных (стандартов,
методических документов и материалов, сведений
о математических моделях и методических
данных). Информационный фонд поддерживается
пользователем системы.
Работа в системе организована таким образом,
что не требует от пользователя квалификации
программиста. Для функционирования системы
необходим компьютер типа IBM PC, не ниже 486
модели, с объемом памяти не менее 8 Mb.
Для
хранения
данных
используется
реляционная
база
данных.
Целостность,
сохранность и ведение БД поддерживается
средствами СУБД DELPHI 3.0.
Исходной информацией являются данные
наблюдений
за
эпизоотической
ситуацией
210
(наблюдения за произошедшими инцидентами,
численность диких животных в зоне неблагополучных пунктов, наблюдения за проведением
профилактических мероприятий), получаемые от
ветеринарных станций, данные климатических
условий, получаемые от метеостанций, данные
общих характеристик районов (неблагополучных
пунктов).
Для ввода и модификации нормативносправочной информации пользователь подготавливает исходные данные на основе документов, их
содержащих.
Выходной информацией для подсистемы
актуализации данных является набор результирующих таблиц, созданных для проведения
анализа и оценки эпизоотологической ситуации по
различным критериям.
Выходной информацией для подсистемы
обработки данных по запросам пользователя
являются выборки из таблиц контроля эпизоотического процесса, контроля за проведением
профилактических мероприятий, численности
животных в районе, зимнего маршрутного учета в
разрезах, заданных пользователем, по желанию
пользователя
просмотренные
на
экране,
записанные в файл или распечатанные.
Выходной информацией для комплекса
«информационная система» являются нормативно-справочная информация, сохраняемая в БД
211
и используемая при решении задач, стоящих перед
системой.
Системная
БД
предназначена
для
эпизоотологического мониторинга, для которого
был реализован соответствующий унифицированный интерфейс, обеспечивающий удобство
работы с подсистемой актуализации. Входные
данные в системе сформированы по предметному
принципу. Структуры таблиц для всех видов
входных и выходных данных организованы с
максимальным учетом пожеланий специалистов
предметной области. Разработанные для этого
формы
по
возможности
упрощены
и
обеспечивают наглядность вводимого материала.
5.8. Система информационно-аналитической
поддержки эпизоотологического мониторинга
по туберкулезу КРС
Данная система эпизоотического мониторинга
туберкулеза КРС разрабатывалась совместно
ЦИВАО и ИЭВСиДВ в период с 2001 по 2005 гг.
Потребность в разработке системы обоснована
спецификой задачи, стоящей перед пользователем.
В системе эпизоотологического мониторинга используются большие массивы разнородной информации, накапливаемой за длительный промежуток времени. Получение первичной информации – процесс трудоемкий. При существующей
212
системе информация поступает не оперативно, что
затрудняет принятие оптимальных управленческих решений. В связи с возникшей экономической ситуацией часть информации в массивах
данных, собранных за последнее время может отсутствовать, т.к. их получение связано с большими затратами труда, времени и денежных средств.
Оперативно обработать такие массивы информации и рассчитать на их основе прогноз эпизоотической ситуации практически невозможно без использования вычислительной техники [5.13, 5.14].
Рисунок 5.7. Фрагмент системы мониторинга
эпизоотического процесса при туберкулезе
213
Автоматизированная система во многом облегчает и ускоряет работу специалиста поскольку:
– при однократном вводе информации она будет использоваться многократно;
– увеличится скорость самого процесса вычислений;
– упростится процесс принятия управленческих решений.
В настоящее время разработана математическая модель и вычислительный алгоритм эпизоотического мониторинга эпизоотического процесса
при туберкулезе (рис. 5.7, 5.8). В качестве входной
информации используются данные ветеринарных
служб (количество неблагополучных, благополучных, оздоровленных пунктов; численность КРС,
коров; количество реагирующих животных и т.д.).
В результате работы алгоритма вычисляются данные показателей эпизоотического процесса (распространенность, заболеваемость и т.д.).
Создана программная реализация алгоритма
мониторинга в среде Delphi–5, с использованием
СУБД Borland BDE 5.0. Программа позволяет работать с информацией, поступающей в виде сводных данных от ветеринарных служб районов области: вводить, просматривать, редактировать и
осуществлять поиск необходимых данных с помощью выборок и запросов, выводить найденную
информацию на экран (в виде таблиц и диаграмм)
и принтер.
214
Рисунок 5.8. Фрагмент системы мониторинга
эпизоотического процесса при туберкулезе
В программе используются векторные картографические объекты, которые позволяют более
наглядно и эффективно работать с большим количеством статистической информации, т.к. нет
необходимости «вычитывать» цифровые табличные данные (рис. 5.9). Для эпизоотологического
мониторинга это более чем верно: сравнение районов с различной эпизоотической ситуацией про215
исходит очень быстро, т.к. показатели эпизоотического процесса можно представить на карте области различной цветовой насыщенностью.
Рисунок 5.9. Фрагмент системы мониторинга
эпизоотического процесса при туберкулезе
Так же наглядно можно выводить информацию
и по заболеваемости, инцидентности, количеству
исследованных, неблагополучию и другим показателям эпизоотического процесса.
Данная разработка предназначена для анализаэпизоотологического процесса с целью осуществлять постоянный контроль над изменением
216
эпизоотической ситуации и, соответственно, своевременно принимать рациональные решения, которые обеспечат эффективное управление эпизоотическим процессом.
5.9. База данных
«Правовые и нормативные документы по
вопросам ветеринарии»
База данных «Правовые и нормативные документы по вопросам ветеринарии» разработана
Главным вычислительным центром Минсельхозпрода России совместно с Департаментом ветеринарии Минсельхоза России (рис. 5.10). Она
предназначена для использования в качестве одного из компонентов информационного обеспечения ИКС АПК России и содержит систематизированную информацию по документам, касающимся
вопросов ветеринарии. База данных включает законодательные, нормативно-правовые и справочные документы Правительства России, Министерства по вопросам ветеринарии, а также инструкции и нормативно-техническую документацию по
вопросам санитарии, профилактики болезней животных, ветнадзора при убое животных, заготовке,
хранении и переработке продуктов и сырья животного происхождения, при перевозках, экспорте
и импорте животных, продуктов и сырья животного происхождения, правила при дезинфекции,
217
дезинсекции и дератизации, нормы по лабораторной диагностике.
Рисунок 5.10. Фрагмент базы данных «Правовые
и нормативные документы по вопросам ветеринарии»
База
предназначена
для
специалистовконсультантов районной (региональной) информационно-консультационной службы АПК России, специалистов ветеринарных служб, сети
наблюдения и лабораторного контроля Госвет218
надзора, лицензированных специалистов структурных подразделений и территориальных подразделений административных районов.
База данных содержит следующие группы информации:
– тема документа;
– тип документа;
– болезнь;
– животное;
– продукция;
– год.
Рисунок 5.11. Фрагмент базы данных «Правовые
и нормативные документы по вопросам ветеринарии»
219
Локальная версия базы данных представлена
на CD-ROM в виде сформированных Internetстраниц, содержащих структурированные гипертекстовые ссылки, просмотр которых осуществляется стандартной программой просмотра Internetстраниц (рис. 5.11).
5.10. База данных
«Ветеринарные препараты»
База данных «Ветеринарные препараты» разработана Главным вычислительным центром
Минсельхозпрода России совместно с Департаментом
ветеринарии
Минсельхоза
России
(рис. 5.12).
База данных «Ветеринарные препараты» предназначена для использования в качестве одного из
компонентов информационного обеспечения ИКС
АПК России.
База данных рассчитана для консультантов
информационно-консультационных служб, а также специалистов ветеринарных служб, сети
наблюдения и лабораторного контроля Госветнадзора, лицензированных специалистов, структурных подразделений и территориальных подразделений административных районов.
База данных содержит следующие группы информации:
– тип препарата;
220
– препарат;
– болезни;
– животное;
– разработчик;
– продукция;
– годы.
Рисунок 5.12. Фрагмент базы данных
«Ветеринарные препараты»
База данных включает документы, содержащие
основные характеристики препаратов ветеринарного назначения, зарегистрированных к применению.
Входной информацией является база данных,
содержащая тексты документов, и таблица описания документа.
221
Данные о документе включают:
– наименование документа;
– номер документа;
– дату утверждения документа;
– тип препарата;
– наименование препарата;
– наименование разработчика;
– болезнь животного;
– вид животного.
Справочники болезней животных, животных и
видов препаратов группируются в порядке принятом в ветеринарных справочниках.
Список литературы к главе 5
5.1. Ч. Ли. Введение в популяционную генетику.  М.: Мир, 1987.  555 с.
5.2. Дж. Ф. Лэсли. Генетические основы селекции сельскохозяйственных животных.  М.: Колос, 1982.  С. 379  384.
5.3. Д. Фолконер. Введение в генетику количественных признаков.  М.: Агропромиздат, 1980. 
486 с.
5.4. Г. Шеффе. Дисперсионный анализ.  М.:
Наука, 1980.  625 с.
5.5. В. Шталь, Д. Раш, Р. Шилер, Я. Вахал. Популяционная генетика для животноводов – селекционеров.  М.: Колос, 1973.  439 с.
222
5.6. Вентцель Е.С. Теория вероятностей. – М.:
Физматгиз, 1960. – 354 с.
5.7. Разработать дисперсионные модели определения генетических параметров животных с использованием ковариационных матриц вычисления степени родства. // Промежуточный отчет за
2001 г. / ГНУ ЦИВО СО РАСХН. – Краснообск,
2001.  22 с.
5.8. Создание оперативной системы определения племенной ценности свиней путем оценки
взаимосвязи между откормочными, мясными и
репродуктивными качествами. // Промежуточный
отчет за 2000 г. ЦИВО СО РАСХН. – Краснообск,
2000.  110с.
5.9. Степнов М.Н. Статистические методы обработки результатов механических испытаний. 
М.: Машиностроение, 1984.  231 с.
5.10. Нормы и рационы кормления сельскохозяйственных животных: Справочное пособие:
Часть I-III / А.П. Калашников, Н.И. Клейменов,
В.В. Щеглов и др. – М.: Знание, 1993-1994.
5.11. Адамович В.П. Картографирование очагов бешенства диких животных в центральной части русской равнины как метод охраны здоровья
животных.// Проблемы медикогеографических исследований. М., 1984 г.
5.12. Джупина С.И. Методы эпизоотического
исследования и теория эпизоотического процесса.
Новосибирск, 1991 г.
223
5.13. Создать современную модель эпизоотологического мониторинга и на ее основе сконструировать рациональные варианты для использования
в различных системах, обеспечивающих управление эпизоотическим процессом // Заключительный
отчет o научно-исследовательской работе за 19962000 гг./ ЦИВО СО РАСХН, ИЭВСиДВ. –
Новосибирск, 2000. – 76 с.
5.14. Донченко Н.А., Димов С.К., Колосов
А.А., Дудкин А.Л. Создание автоматизированной
системы информационно-аналитической поддержки эпизоотологического мониторинга по туберкулезу КРС // Материалы Межд. научн.-практ.
конф.: Информационные технологии, информационные измерительные системы и приборы в исследовании сельскохозяйственных процессов. 
АГРОИНФО-2003 (Новосибирск, 22-23 октября
2003 г.). – РАСХН.Сиб.отд-ние.  Новосибирск,
2003.  Ч.2.
224
Глава 6. ПРИМЕНЕНИЕ
ГИС–ТЕХНОЛОГИЙ В СЕЛЬСКОМ
ХОЗЯЙСТВЕ
6.1. Пути становления ГИС-технологий
в решении сельскохозяйственных задач
В сельском хозяйстве ощущается потребность
в развитии конструктивного подхода к совершенствованию системы ведения сельского хозяйства,
обеспечивающего резкое снижение негативных
процессов в окружающей среде, рациональное
природопользование и стабилизацию получения
качественной продукции. Практический опыт показывает, что наиболее совершенны те системы
земледелия, которые тесно увязаны с почвенноклиматическими условиями региона. Поэтому построение ландшафтных систем земледелия требует учета и анализа широкого спектра самых различных природных параметров. В большинстве
своем это пространственно распределенная информация, для отображения и анализа которой
следует использовать геоинформационные системы (ГИС). Более того, почти все направления в
сельском хозяйстве, так или иначе, имеют дело с
пространственно распределенной информацией,
это и ветеринария (природно-очаговые болезни,
распространение эпизоотии, распределение неблагополучных пунктов и т.д.) и растениеводство (зо225
ны возделывания выведенных сортов, выбор селекционного материала с заданными природными
условиями и т.д.) и земледелие. Данный список не
ограничивается приведенными примерами. ГИС
широко используется за рубежом для управления
сельскохозяйственным производством. Также эффективно совместно с другими направлениями современных информационных технологий ГИС
успешно используется в передовых научных и
производственных структурах Российской Федерации и в частности в сельском хозяйстве.
Принято считать, что свой отсчет данное
направление информационных технологий ведет
около тридцати лет. Благоприятные предпосылки
появления ГИС подготовлены расширением технической и программной базы математической
обработки данных, успехами автоматизации в области графических баз данных и картографии, активным использованием принципиально новых
источников информации. В середине 80-х годов и
особенно к их концу началось массовое производство программных продуктов ГИС. Отличительной их особенностью по сравнению с первыми
разработками является отход от жесткой связи с
характером планируемых приложений (обычно
разработка выполнялась для конкретной задачи).
В тоже время активно развиваются научные аспекты для удовлетворения возникающих потребностей. Формируется в самостоятельное направ226
ление геоинформатика (наука о создании и использовании географических информационных
систем), несколько позже зарождается геоматика
(направление, использующее совокупность информационных технологий, мультимедиа и
средств телекоммуникаций для обработки данных). Становление геоинформатики в СССР во
многом связано с проведением первой конференции «Проблемы геоинформатики», состоявшейся в
1983 году в Тарту. Но практическая реализация
основных идей и достижений ушла в военную
сферу и по понятным причинам отдалилась от
народного хозяйства.
Однако потребность в анализе пространственно-распределенной информации была велика. Поэтому в различных научных центрах России начинают выполняться работы, направленные на становление проектно-исследовательских разработок
по ГИС или на инициализацию подобных работ.
Во многих городах России, являющихся ведущими научными центрами, развернулись работы по
ГИС-направлению. В Санкт–Петербурге и в
Москве были выполнены ГИС-проекты для энергетических сетей. Хотя данные проекты в своих
первых вариантах ограничивались только планами
и не использовали карты, но их вклад в развитие
данного направления был существенным и своевременным. В Таганроге Радиотехническим университетом совместно с Институтом информатики
227
РАН была разработана инструментальная ГИС
«ObjektLand», обладающая неплохими возможностями.
Новосибирск, как мощный научный центр Сибирского региона, обладающего громадными просторами, естественно не мог оказаться в стороне
от такой актуальной проблемы, которая особенно
актуальна для больших территорий. В Академгородке успешно работала группа под руководством
Ю. В. Бондаря, которая в сжатые сроки создала
информационную кадастровую систему «Земля»
для администрации г. Железногорска (Красноярск
26). Предложенная ими система фактически являлась инструментальной ГИС отечественного производства, характеризующаяся многими оригинальными решениями. При НГТУ функционирует
коллектив (Фирма ГЕОКАД, Ltd), развивающий
другие подходы в ГИС–технологиях. Результатом
его работы является целый набор программных
продуктов для анализа пространственной информации. Известны работы по данному направлению, выполненные в СибГеоИнформ и НИЦ
«Земля». Из приведенного видно, что российские
специалисты верно восприняли ситуацию по актуальности ГИС-направления и предприняли все
возможное для удовлетворения насущных потребностей науки и производства. Но ситуация складывалась так, в основном из экономических проблем в стране, что им трудно было конкурировать
228
с хорошо финансируемыми и укомплектованными
зарубежными фирмами, имеющими «фору» во
времени. Поэтому сейчас столь распространены
зарубежные инструментальные ГИС-пакеты. Конечно передовые зарубежные пакеты имеют высокий уровень и соответствующие технические показатели, но, работая на их базе, необходимо знать
и по мере необходимости использовать удачные
решения российских авторов.
ЦИВАО достаточно давно работает в направлении применения ГИС–технологий для сельскохозяйственных задач. Впервые ощутилась острая
потребность в графическом инструментарии, когда были предприняты попытки применить для
сибирского региона разработку по АСУ «Гея». В
те времена еще аббревиатура ГИС не была распространена, а информация о коммерческих ГИСпакетах отсутствовала в отечественной литературе. Система управления земледелием и животноводством АСУ «Гея» была разработана в 19891994 годах Всесоюзным научно-исследовательским и проектно-технологическим институтом кибернетики совместно с Всесоюзным научно
исследовательским институтом по экономике и
организации материально-технического обеспечения сельского хозяйства. Эффективно используя
аналитические возможности БД и специально разработанных оригинальных программ, данная система открывала качественно новый уровень в
229
управлении сельскохозяйственным производством. Но главным ее недостатком являлось отсутствие возможностей пространственного анализа при работе с пространственно распределенной
информацией. Это обстоятельство и экономические проблемы, с которыми столкнулась вся страна, не позволили вывести эту работу на должный
уровень, осуществляя ее развитие в направлении
применения ГИС-технологий. Тогда были предприняты многочисленные попытки либо найти
партнеров, имеющих соответствующие наработки
и готовых приложить их для сельского хозяйства,
либо создать необходимый продукт самим. Не
смотря на то, что с образования ГНУ ЦИВО специалисты этой организации были решительными
сторонниками ГИС направления, но финансовые и
кадровые трудности тех лет не позволили достичь
необходимых результатов с применением отечественной инструментальной ГИС. А когда появились первые зарубежные пакеты и были выполнены пробные работы на бета–версиии ГИС
«MapInfo», то стало ясно, что уже есть качественный инструментарий и уже более рационально
направить усилия на отработку методов и процедур для решения конкретных сельскохозяйственных задач.
230
6.2. Опыт создания системы
информационно-аналитической поддержки
сельскохозяйственного природопользования
Опыт работы по использованию для сельскохозяйственных задач инструментальных ГИС
«Maplnfo» и «Arcview», накопленный в ЦИВАО,
позволяет получать решения широкого круга задач, как в научной, так и в производственной сферах. На данном этапе развития работ основной акцент делается на решение задач, характерных для
отдельного хозяйства.
Эффективность подобных систем существенным образом определяется правильным представлением предметной области. В соответствии с
этим была разработана двухранговая модель
предметной области (рис. 6.1), у которой на первом ранге отображаются объекты, масштаб генерализации которых равен 1:1000000. К объектам
этого ранга относятся границы административных
и природных районов, агроклиматические зоны,
крупные населенные пункты и т.д. Второй ранг
соответствует объектам, масштаб генерализации
которых равен 1:25000. Объекты анализируемой
территории данного ранга представляют основную
группу различных классов объектов для аналитического направления. К ним относятся рельеф,
почвенная информация, варианты землеустройства, гидрообъекты и т.д.
231
232
Ранг 1 (М=:1000000)
Область
Общегеографические
объекты;
Почвы;
Климат;
Рынок.
Район 1
Дороги
…
Район N
…
Хозяйство К
(М=:25000)
Общегеографические
объекты
Н.П.
Район 2
Реки
Водоемы
Н.П. – населенный пункты
Хозяйство 1
Поля
севооборота
Пастбища
Почвенные
контура
Рисунок 6.1. Модель предметной области
232
Сенокосы
Рельеф
Ряды погоды
В соответствии с разработанной моделью
предметной области графические построения для
хозяйства встраивается в базовый объект – картографическую проработку области. Это обеспечивает возможность учета взаимовлияний соседних
природных и социально-экономических объектов
в рыночной ситуации. Со стороны руководителей
хозяйств неоднократно высказывалось пожелание
обеспечить возможность учета контроля над ситуацией со стороны внешней границы хозяйства
(например, при возникновении или продвижении
эпизоотий, саранчи, наводнений и т.д.). С другой
стороны хозяйство часто реализует свою продукцию на стороне, а иногда и вопросы приобретения
у различных поставщиков становятся актуальными. В подобных ситуациях минимизация транспортных издержек и выбор наиболее подходящего
поставщика достаточно актуальны.
Для реализации двухранговой структуры модели можно использовать масштабный эффект,
предоставляемый инструментальной ГИС и заключающийся в исключении видимости заранее
выбранных объектов. Но для этого необходимо,
чтобы вся область или хотя бы один необходимый
район были покрыты оцифрованными картографическими данными крупного масштаба и была
проделана достаточно сложная работа, близкая по
своей сути генерализации данных в соответствии с
требованиями первого ранга. Или, на базе сканер233
ной технологии, использованы твердые копии
карт необходимого масштаба генерализации. В
соответствии с предложенной моделью предметной области уже в 1998 году была разработана локальная ГИС хозяйства Большеникольское, в процессе выполнения которой были выявлены неочевидные трудности подобных работ и недостатки
существующих исходных данных. А в 1999 году
была разработана локальная ГИС хозяйства Кремлевское Новосибирской области на более качественном графическом материале и с учетом
предшествующего опыта. На рис. 6.2 представлена
обзорная информация, позволяющая одновременно воспринимать объекты первого и второго рангов. Внутри пунктирного круга показано хозяйство Кремлевское с информацией об его землеустройстве. На рис. 6.3 приведена почвенная информация данного хозяйства. В то время данные
работы выполнялись совместно с СибНИИЗХим в
тесном контакте с лабораторией, возглавляемой
А.И. Южаковым.
Использование ГИС позволяет охватывать широкий диапазон задач, большинство из которых
решается с использованием универсальных приемов. Но для многих задач приходится разрабатывать оригинальные методы. Встал серьезный вопрос о стратегии развития работ с использованием
ГИС. Можно было создавать полезные для практики системы, использующие в основном инфор234
Рисунок. 6.2. Обзорная информация ОПХ Кремлевское
235
Рисунок. 6.3. Почвенная информация ОПХ Кремлевское
236
Вход:
1. Пространственно распределенная информация
1.1 Почвенные
карты
1.2 Агрохимические карты
1.3 Административные
карты
1.4 Карты землеустройства
хозяйств и т.д.
2. Нормативносправочная информация
3. Ввод погодной и климатической информации
4. Ввод заданий
Внешние устройства ввода
Сканер
Графическая
БД
1. На основе
векторной
графики
2. На основе
растровой
графики
Дигитайзер
Параметрическая БД
1. Административный блок
2. Природноселькохозяйственный- блок
3. Экологический блок и т.д.
Локальная ГИС
Блок специализированного
анализа
Внешние конверторы
Универсальное
программное
обеспечение
Инструментальная
ГИС
Дополнительный
интерфейс
Выход:
1. Вывод информации по запросам
2. Вывод новых
графических
построений на
основании логики запросов
специализированных расчетов
3. Результаты
3.1 Оценка природных ресурсов
3.2 Формирование предложений
для задач управления
3.3 Решение задач для улучшения агроэкологического состояния земли
Рисунок.6.4. Структурная схема системы рационального сельскохозяйственного природопользования
237
мационные возможности ГИС (где что находится,
каким набором характеристик обладает, какую
нормативно-справочную информацию следует использовать и т.д.) и не требующие больших временных затрат и сложных проработок. На наш
взгляд более рациональным был путь, ставивший
в самом начале достаточно сложную цель на создание комплексной системы и поэтапное ее достижение (в несколько очередей) по мере развития
системы. При этом результаты промежуточных
этапов должны иметь законченный вариант для их
реализации на практике, обеспечивающие их использование и необходимую проверку.
В соответствии с этим была предложена структурная схема информационно-аналитической системы рационального природопользования на
уровне хозяйства, структурная схема которой приведена на рис. 6.4. Данная система базируется на
использовании локальной ГИС соответствующего
хозяйства, интегрирующей в своем составе почвенную, землеустроительную, агрохимическую,
рельефную и другого вида информацию.
Основными элементами локальной ГИС являются графическая база данных (ГБД) и параметрическая база данных (ПБД). ГБД должна обеспечивать анализ и отображение пространственно
распределенной информации, предназначенной
для решения задач по природным ресурсам земель сельскохозяйственного назначения и охваты238
вать несколько большую территорию, чем та, которая оговорена в качестве обследуемой. В ГБД
должны быть введены дополнительные объекты,
которые ограничивают пространственные преобразования, но не являются сельскохозяйственными объектами. ПБД должна содержать параметрическую информацию, как по графическим объектам, так и объектам неграфического плана и обеспечивать эффективную работу с ГБД. Инструментальная ГИС обеспечивает процедуры наполнения
локальной ГИС необходимой информацией и процесс ее обработки. Блок специализированного
анализа обеспечивает выполнение функций, которые затруднены (необходимостью применения
большого количества ручных операций и т.п.) или
не могут быть выполнены с использованием универсального программного обеспечения инструментальной ГИС. В блоке специализированного
анализа в основном реализуются оригинальные
методы решения задач. А его построение выполняется с использованием таких инструментариев
как «DELPHI» и специализированного языка для
развития инструментальной ГИС (для «MapInfo»
это «MapBasic», для «ArcView» – «Avenue» или
скрипты). Кроме того, при необходимости в данном блоке используются статистические пакеты.
Дополнительный интерфейс предназначен для
упрощения процесса общения конечного пользователя с программными продуктами и уменьше239
ния количества его возможных ошибок. При разработке интерфейса должна учитываться, кроме
основной, цель снижения требований к уровню
подготовки конечного пользователя.
Наиболее сложным и трудоемким процессом
является создание локальной ГИС, а именно ее составной части – ГБД. На данный момент, как правило, отсутствуют оцифрованные данные по картам крупного масштаба. Поэтому, приступая к
разработке ГИС-проекта, приходится их создавать
самим. При этом наиболее рационально использовать так называемую сканерную технологию. Для
ее реализации требуется использование бумажных
или твердых копий существующих карт. Картографический материал хозяйства является наиболее насыщенным и с высоким уровнем детальности. На сегодняшний день они представлены бумажными копиями, чаще всего «синьками», оригиналы которых для Новосибирской области были
разработаны институтом ЗапСибНИИгипрозем.
Копии карт предоставлены хозяйствам, районной
администрации, а так же сданы на хранение в соответствующе подразделение института разработчика. Так как сроки их изготовления достаточно
давние, то естественно информация, приведенная
в них, существенно устарела. Другим недостатком
является ее искажение из-за деформации бумажной основы по причине длительного срока хранения.
240
Кроме того, рабочие карты хозяйства подвергались разрезанию и склейке, что естественно
привело к увеличению погрешностей. На многие
из них нанесены реальные преобразования границ
полей, что с одной стороны является положительным явлением, так как отражает более современное состояние, но с другой стороны эти нововведения выполнены так, что невозможно выявить
первоначальные решения, т.е. все параметры у дополнительной графики и основных решений совершенно идентичны.
Для картографических материалов, хранящихся в организации разработчика, условия их содержания, несомненно, более благоприятные, но, тем
не менее, временной фактор и здесь оказал отрицательное воздействие, хотя несколько меньшее. С
другой стороны в подразделениях НИИгипрозем
есть географическая основа для вышеотмеченных
карт на твердой подложке. Это обеспечивает возможность повторного получения материала с первоначальной точностью. Но для неискаженного
восстановления картографических материалов хозяйств требуется большая работа по нанесению на
географическую основу измеренных и расчетных
характеристик данного хозяйства. Еще большой
объем работ потребуется при создании новых
карт, так как придется заново получить требуемые
характеристики, соответствующие сегодняшней
ситуации.
241
Другой серьезный вопрос, это состояние дел по
реперным точкам. Зачастую оно не удовлетворяет
запросам автоматизированных систем, а иногда
наблюдается полное отсутствие реперных точек.
Подобная ситуация объясняется тем, что создаваемые картографические материалы предназначались исключительно для ручной обработки. Графические материалы, представленные на бумажных носителях, должны иметь необходимое количество реперных точек, желательно от 4 до 8. Их
минимальное количество (4) позволяет осуществить географическую привязку материала и хоть
как-то оценить обобщенную ошибку (от изменения основы материала и от точности идентификации и задания реперных точек).
По этой же причине (предназначенность картографического материала для ручного анализа)
наблюдается наличие множества фоновых помех,
пересечение или соприкосновение указательных
линий и надписей с информационными линиями
контуров и других графических объектов. Подобные обстоятельства не являются недостатками или
помехами при ручной обработке или простом визуальном анализе. Но существенно затрудняют автоматизированные операции ввода и первичной
обработки информации. Данные материалы должны иметь высокий уровень контрастности и равномерную плотность красящего вещества прори-
242
сованных линий (разброс желательно не более
30 %).
Графический материал должен иметь ссылку
на примененную проекцию и систему координат
(или указание на то, что графический материал
является планом, для которых проекция не используется). Проекция определяет метод сокращения искажений при переносе объектов с шарообразной поверхности на плоскость. Это уравнение
или система уравнений, содержащая набор параметров, количество и смысл которых меняется от
проекции к проекции. К сожалению, реальный
картографический материал хозяйств в подавляющем большинстве не имеет данной информации.
По фактографическим (параметрическим) данным наблюдается следующее. Если некоторые хозяйства отображают чисто графически какие-либо
нововведения, то в фактографических данных эти
изменения не отражаются, т.е. создается ситуация,
когда между фактографическими и графическими
данными образуются расхождения. Но главной
проблемой является отсутствие единого источника, содержащего необходимый объем фактографической информации. На сегодняшний день приходится изыскивать различные источники и выбирать из них необходимую часть, отсекая недостоверные или просто излишние сведения.
Еще раз следует подчеркнуть, что качество
картографических материалов, выполненных на
243
бумажной и твердой основе, имеет большое значение. При низком качестве исходного материала
в процессе автоматической векторизации возникает много ошибочных прорисовок, что значительно
увеличивает время выполнения работы и составляющую ручного труда.
Другой важной группой аспектов, требующих
решения при разработке локальной ГИС, являются
вопросы по номенклатуре и количеству используемых характеристик, а также распределение данной информации по слоям. Если ориентироваться
на позиции различных авторов по характеристикам, определяющим с их точки зрения аграрные
процессы, то неизбежно придется учитывать громадное количество таковых. В принципе существующие возможности по информационным ресурсам не вызывают затруднений включить их. Но
вот методы их обработки, позволяющие получать
непротиворечивые и адекватные (происходящим в
природе реалиям) результаты, оказываются проблематичными. Да и получение такого количества
показателей с привлечением достаточно точных
инструментальных средств требует больших экономических и временных затрат. Наша позиция по
данному вопросу на текущий момент времени заключается в рациональности применения ограничения до 120-130 характеристик.
Следующий серьезный вопрос – разбиение информации на тематические группы и преобразова244
ние их в слои электронной карты. Слои – это продуктивное и важное понятие в геоинформационных технологиях. В связи с большой информационной насыщенностью рассматриваемых задач
при работе с природными объектами возникают
трудности при выделении, анализе и преобразовании объектов. Для устранения этих недостатков
графическую информацию разбивают по слоям,
каждый из которых содержит однородные объекты с геометрических или семантических позиций.
При графической однородности объектов в слой
помещают объекты одного геометрического типа,
например, либо точки либо линии. Несмотря на то,
что это значительно упрощает некоторые виды
математического анализа, для рассматриваемых
аграрных задач наиболее подходящим является
семантический подход. При таковом в слой помещают объекты, объединенные по некоторому
смысловому принципу (реки, озера, почвенные
контуры и т.п.). Это хорошо согласуется с объектно-ориентированным подходом и при использовании инструментальной ГИС «MapInfo» реализуется легко и без ограничений. Если работа выполняется при помощи инструментария «ArcView»,
который предусматривает наличие в одном слое
только одного геометрического типа объектов, все
равно среди одного типа геометрических объектов
следует их группировать (выбирать объекты) по
семантическому принципу и формировать кон245
кретный слой. Повышая требования к степени однородности, увеличиваем тем самым количество
создаваемых слоев. С одной стороны подобный
подход облегчает работу с конкретным слоем, но с
другой стороны усложняет ее во время работы со
всем проектом. Поэтому на данном этапе максимальное количество слоев ограничивается пороговой величиной в 24 слоя.
Базируясь на вышеизложенных основных моментах выполнялась разработка системы информационно-аналитической поддержки рационального сельскохозяйственного природопользования.
Первая ее очередь, которая базировалась на локальной ГИС хозяйства Кремлевское позволяла
решать следующие основные задачи:
1. выбор почвенных контуров или полей с характеристиками, соответствующими различным
категориям использования земель;
2. построение тематических карт (по засоренности, эродированности, кислотности, содержанию гумуса, азота, фосфора, калия и т.д.);
3. расчет продуктивности рабочих участков;
4. выделение участков, характеристики которых удовлетворяют требованиям предъявленного
запроса;
5. разбиение всей площади на несколько выделов, занимающих не менее заданного уровня по
площади и обладающих однородностью в указанных (достаточно широких) пределах с дальней246
шим выяснением того, для каких культур наиболее подходят земельные ресурсы;
6. транспортные задачи.
Оценка продуктивности земельных участков
(наряду с получаемыми результатами от использования универсальных приемов) давала руководящему составу объективную и полезную информацию для формирования управленческих решений.
В качестве основной методической базы для оценки продуктивности применялся метод, предложенный А.И. Южаковым и использующий многомерное ранжирование почвенных объектов в
направлении важности фундаментальных признаков почв. В основе лежит общая система оценки
физико-химических параметров почвенных объектов. Осуществляется сравнительная оценка замкнутого множества почвенных объектов путем
упорядочения их внутри этого множества. Каждый объект характеризуется конкретным набором
признаков. Дополнительно каждому признаку ставят в соответствие его оптимальное значение, вес
его влияния на продукционный процесс и направленность этого влияния (позитивное или негативное). Используя приведенные параметры, последовательно по каждому признаку ранжируют почвенные объекты, заменяя значение признака его
рангом. Тем самым избавляются от конкретной
метрики признака, достигая соизмеримости и аддитивности различных признаков объекта. Затем
247
суммируют полученные промежуточные ранги
для каждого объекта с учетом веса признака и
вновь осуществляют (повторяют) процесс ранжирования уже по полученным результатам. Данной
процедурой достигают упорядочивания почвенных объектов с учетом влияния всех признаков.
Таким образом, почвенные объекты располагают в
порядке нарастания пригодности для возделывания конкретной культуры.
Далее переходят от обобщенных рангов к абсолютным показателям потенциальной продуктивности. Для замены неметрической последовательности рангов непрерывной кривой теоретического распределения почвенных объектов используют статистические приемы и нормальный закон
распределения (либо логнормальный) случайной
величины. Отправными точками при выполнении
процедуры замены являются экспертная оценка
продуктивности лучшей почвы, (например, тяжелосуглинистого выщелоченного чернозема) и
худшей почвы, а так же расчетная величина продуктивности средней почвы (как полусумма между лучшей и худшей почвами). Априорно принимая условие, что все распределение продуктивности почвенных объектов сосредоточено внутри четырех стандартных отклонений (95 % разброса
продуктивности), получают кривую перехода от
обобщенных рангов к продуктивности, по которой
и определяют продуктивность каждого почвенно248
го объекта. Аналогичным образом выполняют
расчет для всего набора необходимых культур.
Полученное распределение продуктивности по
почвенным объектам обеспечивало возможность
оценки продуктивности рабочего участка или любого другого земельного выдела. Анализируемый
земельный участок представляет собой совокупность почвенных объектов различной площади.
Тогда, осуществляя взвешенное суммирование
продуктивностей составляющих почвенных объектов и учитывая в качестве весовых коэффициентов их площади, получают оценку продуктивности
земельного участка. В реализованном варианте
системы (ее первой очереди), оценка продуктивности выполнялась с помощью SQL-запросов по
трем культурам: пшеница, серые хлеба и травы.
В результате разработки и апробирования данного варианта системы были выявлены ее возможности, достоинства и недостатки. Был определен круг задач при ее практическом применении и
причины данного ограничения. Это и послужило
основой для развития системы при переходе ко
второй ее очереди. В разрабатываемый вариант
системы в качестве основы вошли все успешные
решения предшествующей разработки, а по тем из
них, для которых выяснилось наличие некоторых
проблем, были проведены дополнительные исследования и (или) соответствующие инженерные
249
проработки, обеспечившие необходимые условия
развития системы.
Как было сказано выше, оценка продуктивности земельных участков совместно с получаемыми
результатами от использования универсальных
приемов позволяет руководящему составу формировать эффективные управленческие решения на
основе объективной информации. Однако получаемая при этом оценка продуктивности базируется
(за некоторым исключением) на почвенной информации. А для большей адекватности требуется
совместный учет агроклиматических и почвенных
условий. Отсутствие учета климатической составляющей (или его слабый уровень) вызывают серьезную озабоченность в исследовательских кругах,
так как это приводит к серьезным ошибкам. Так в
работе Трубициной Е.В. и соавторов [6.1], посвященной обобщенным показателям плодородия
почв, подчеркивается, что плодородие не может
рассматриваться безотносительно климатических
условий и выращиваемых культур. В работе Сапожникова П.М. «Методологические принципы
кадастровой оценки земель сельскохозяйственного
назначения» [6.2] приведена информация о завершении работы по земельному кадастру Российской Федерации. А большой объем проведенной
при этом аналитической работы позволил выявить
такие недостатки, как отсутствие учета климатического фактора и неправомерность использова250
ния фактической урожайности и фактических затрат, требующие устранения в ближайшей перспективе.
В связи с этим в нашей организации была проведена работа по учету климатических условий в
оценке продуктивности земель. Причем направленность работ была такой, чтобы вначале найти
факторы погодных условий и закономерности их
влияния на урожай, а затем соответствующим образом использовать полученные результаты для
оценки климатической составляющей ресурса земельных участков.
Сложность решаемого вопроса заключалось в
выявлении закономерности совместного влияния
показателей (или факторов) погоды. Среди существующих решений данного вопроса в основном
просматриваются две тенденции. По первой выбирают среди факторов жизни растений лимитирующий фактор и по нему оценивают урожайность
[6.3]. По второй – урожайность определяют в виде
арифметической суммы факторов, каждый из которых подвергается определенному функциональному преобразованию [6.4]. Не трудно заметить
взаимоисключающий характер обеих тенденций.
В противовес данным подходам нами предложено для оценки урожайности (в данной работе
исследовалась урожайность зерновых) также использовать прием суммирования, но только суммирования потерь, вызванных отклонением фак251
торов от их оптимальных значений, причем вводимые слагаемые представлены в виде ортогональных векторов. А в качестве влияющих факторов предложено использовать температуру воздуха (t) и влажность почвы (W). Проведенный анализ
существующих практических результатов показывает, что при совместном действии факторов возникающие потери (при отклонении их значений от
оптимального уровня) складываются геометрически (как ортогональные вектора). То есть суммарная потеря урожайности равна корню квадратному
из суммы квадратов составляющих потерь. Данный подход хорошо согласуется с так называемой
бочкой Добенека и выводами Либиха о действии
лимитирующего фактора (см. рис. 6.5).
П
П2
П1
Рисунок 6.5. Суммарные потери (П) при наличии потерь
от первого (П1) и второго (П2) факторов
Из рис. 6.5. видно, что суммарные потери
определяют потери худшего (лимитирующего)
фактора, в данном случае это фактор, имеющий
потери П1, который подавляющим образом будет
влиять на урожайность культуры. Достоинство
252
предлагаемого варианта в том, что он охватывает
не только те случаи, когда один фактор имеет (явно выраженное) преобладающее над всеми лимитирующее влияние, но и все остальные возможные
случаи. В том числе и те, когда оба фактора по относительному отклонению от оптимума будут
одинаковы и это обстоятельство не позволяет выбрать лимитирующий фактор. В подобных и близким к нему случаях особенно велика ошибка при
переходе к расчетной ситуации с одним лимитирующим фактором, хотя она также значительна и
при использовании подхода, соответствующего
второй тенденции.
Аналитическая зависимость потери урожайности из-за отклонения действительных значений
факторов для данного момента времени (i) от их
оптимальных значений имеет вид:
 
W  Wmin
П i  1   i
  Wo i  Wmin
 




α1 
2
 
  1   ti  t min

  to i  t min

 




α2
2

 К

 .
(6.1)
,
где Пi – относительная потеря урожайности на на
i-том интервале времени;
Wi – среднее значение влажности почвы на iтом интервале времени, %;
Wmin – минимальное значение влажности почвы, обеспечивающее жизнедеятельность растений,
%;
253
Wo i – оптимальное значение влажности почвы
на i-том интервале, %;
ti – среднее значение температуры воздуха на iтом интервале, °С;
tmin – минимальное значение температуры воздуха для жизнедеятельности растений, °С;
to i – оптимальное значение температуры воздуха на i-том интервале, °С;
n – число интервалов времени, входящих в измерительный период;
α1, α2 – степень действия факторов погоды;
К – коэффициент, учитывающий отличительное влияние температуры.
Отдельно следует оговорить назначение параметров α1, α2 и коэффициента К. Факторы погоды,
как и многие другие факторы, влияющие на урожайность, оказывают нелинейное воздействие на
продукционный процесс. Наличие нелинейности в
воздействиях температуры воздуха и влажности
почвы отмечалось еще на ранних стадиях изучения закономерностей продукционного процесса и
не вызывают сомнения. Существенным моментом
является вид и параметры этой зависимости. Величины α1, α2 отражают нелинейность влияния
факторов погоды в виде показателей степени. Коэффициент К учитывает то обстоятельство, что
одинаковое относительное отклонение температуры воздуха от оптимума приводит к меньшему
воздействию на урожайность, чем влажность поч254
вы.
Для упрощения формулы 6.1 можно выражения, представленные в круглых скобках, заменить
следующими величинами:
Wi  Wmin
;
Wo i  Wmin
t t
 i min ;
to i  tmin
Wотн. i 
(6.2)
tотн. i
(6.3)
Тогда формула 6.1 примет вид, более удобный
для восприятия:
Пi 
1  W   1  t
1
отн. i
2
2
отн. i
K
2
(6.4)
Следующим важным вопросом является учет
изменения во времени факторов. Широко распространенная практика применения накопленных
или средних значений факторов за месяц или фазу
вегетации, скорее всего, неприемлема. Даже при
месячном интервале осреднения вероятна ситуация, когда в первой половине месяца будет засушливая погода, а во второй – наоборот дождливая.
При этом средний показатель может стать оптимальным или близким к нему, а фактические потери, вызванные отклонением от оптимума, будут
значительными.
Проведенные нами исследования с использо255
ванием автокорреляционной функции для наиболее динамичной переменной, какой является температура воздуха, показали, что интервал времени,
на котором вычисляются средние значения факторов, не должен превышать декаду. А наиболее
подходящим является интервал времени длительностью в 3-5 дней.
Принимая во внимание вышеприведенное и
учитывая накопительный характер потерь от отдельных интервалов времени, а также различное
влияние фенофаз на формирование урожая (введением коэффициента Кф), получим следующее
выражение расчетной формулы для оценки урожайности.
У  У max . з 

1 n
1
K ф 1  1  Wотн

.i
n i 1

  1  t  K  ,
2
2
2
отн. i

(6.5)
где У – оценка урожайности, ц/га;
Уmax. з – максимальная урожайность культуры
для анализируемого земельного участка, ц/га;
n – число интервалов времени, входящих в вегетационный период;
Кф – коэффициент соответствующий фенофазам развития растений;
Wотн. i и tотн. i – соответствуют формулам 6.3
и 6.4.
По поводу максимальной урожайности Уmax. з
следует пояснить следующее. Фактически это
урожайность культуры на конкретном земельном
256
участке при использовании конкретной технологии в идеальных погодных условиях. Ее можно
легко рассчитать по формуле 6.5, если известны
реальная урожайность и показатели погоды за
предыдущий год или несколько предыдущих лет.
Технологически реализация предложенного
метода представляется следующим образом. Реальный временной отрезок вегетационного периода разбивается на заданные интервалы времени
(чаше всего используются декады). На каждом из
них определяются относительные потери урожайности при использовании средних значений соответствующих факторов погоды. Вычисляя разницу
между единицей и выше достигнутыми результатами, получаем величины, характеризующие относительный прирост урожайности на каждом
конкретном временном интервале. Далее осуществляется суммирование всех составляющих по
отдельным интервалам времени, с учетом того обстоятельства, что некоторые фенофазы имеют повышенное влияние на продукционный процесс
(Кф), и деление данной суммы на количество временных интервалов. Окончательный результат получается умножением достигнутого результата на
максимальную урожайность Уmax. з. Данная проработка выполнялась для зерновых культур, а для
пшеницы были определены все необходимые расчетные коэффициенты и получены данные, подтвердившие точность расчетов не хуже 3-х про257
центов.
Предложенный метод оценки урожайности
имеет самостоятельную ценность, но что более
важно, обеспечивает возможность для оценки агроклиматической составляющей ресурса земельных участков. Для этого из формулы 6.5 исключают максимальную урожайность Уmax. з и вместо
значений по факторам погоды вводят соответствующие климатические данные (например, из
«Научно-прикладного справочника по климату
СССР», сер.3, вып. 20, 1993 г.), а получаемый результат умножают на 100, тем самым приводя результат к стобальной системе. Дополнительно отметим, что Уmax. з можно использовать для оценки
почвенной составляющей ресурса, оговаривая и
соблюдая при этом постоянство некоторых условий (заданный вариант технологии).
Реализация программы для оценки природного
потенциала земель с использованием инструментариев Delfi 5 и MapBasic 4.1 обеспечила удобство
ее практического использования, хорошие возможности дальнейшего совершенствования и хорошую согласованность с ГИС.
В разработанном варианте системы полученные решения вошли в блок специализированного
анализа. Была разработана программа, реализующая выше приведенные решения и использующая
расчет почвенной составляющей ресурса из алгоритма, разработанного для предшествующей вер258
сии системы. После разносторонних проверок была осуществлена доработка данной программы с
включением графического раздела на языке MapBasic 4.1. Выполнение расчетных операций и особенно по почвенной составляющей ресурса тесно
связано с обработкой пространственной информации, которая невозможна без графического анализа.
По структуре предложенная программа состояла из следующих основных частей:
1. блок оценки климатических условий:
– система оценок, использующая отклонение
фактических показателей влажности почвы и
средней температуры воздуха по декадам от оптимальных показателей для выбранных сельскохозяйственных культур;
2. исходные данные по климатическим условиям:
– средняя влажность почвы по декадам, средняя температура воздуха по декадам для группы
почвенных контуров;
– по каждой из рассматриваемых культур оптимальные значения температуры воздуха и влажности почвы по декадам;
– дополнительно, для отработки вариантов последующего развития системы, заложена возможность введения по каждому из почвенных контуров поправочного коэффициента влажности почвы
в соответствии с особенностями рельефа;
259
3. блок оценки почвенных условий:
– процедура многомерного ранжирования почвенных объектов по их свойствам;
– дифференциация оценок земель дренированности агроландшафта и уровням интенсификации
земледелия;
4. исходные данные по почвенным характеристикам
– по каждому из почвенных контуров – мощность гумуса, физ. глина %, ил %, PH водн., ЕКО,
макс. гигроскопичность, Ca, Mg, Na, гумус %, луговость;
– по каждой из рассматриваемых культур оптимальные значения и весовые коэффициенты
почвенных показателей, максимальная и минимальная урожайность для данного региона;
5. программный интерфейс.
Программный интерфейс разработан в соответствии с выше приведенными методиками. Он
обеспечивает ввод исходных данных, необходимые условия для управления процессом расчета и
вывода полученных результатов. По завершению
необходимых расчетов интерфейс обеспечивает
вывод относительного ранга почв, оценки климатических условий и сводной оценки природных
показателей по выделенному земельному участку,
а также предусмотрена возможность вывода
сводной оценки по каждому из почвенных контуров.
260
Существенные изменения по сравнению с
предшествующим вариантом системы претерпел
блок дополнительного интерфейса. Ранее он был
представлен программой, запускаемой определенной комбинацией клавиш и объединяющей
насколько SQL-запросов для наиболее встречаемых и сложных расчетов системы. В данном варианте системы его возможности значительно расширены, что облегчает работу конечного пользователя. В процессе его выполнения были отработаны процедуры, обеспечивающие выполнение
анализа по тому объекту, который выделен в ГИС
из совокупности графических объектов, сформированы варианты ниспадающего меню для выполнения специализированных программ, отработаны
процедуры создания диалогового окна.
Для отработки процедуры, обеспечивающей
выполнение анализа по выбранному в ГИС графическому объекту, был разработан фрагмент управляющей программы. При его разработке учтены
такие особенности, как исключение ошибок анализа при случайном выделении двух или более
объектов. Таким же образом, при отсутствии выделенного объекта должно быть приостановлено
выполнение анализа и выдано сообщение о необходимости выделения графического объекта и повторного запуска программы анализа. Другим существенным аспектом данной процедуры является
получение из ГИС необходимых параметров вы261
деленного объекта и пересылка их в расчетную
программу для использования совместно с другими входными данными в процессе анализа.
Разработаны дополнительные органы управления, существенно облегчающие работу с системой
и уменьшающие возможные ошибки предметного
специалиста. На рис. 6.6 они приведены в правой
верхней части рисунка. В верхнем горизонтальном
ряду кнопок первая левая кнопка предоставляет
возможность быстро перейти к карте, на которой
отображена область (или край). Следующая кнопка позволяет перейти к графическому материалу
района. Третья кнопка обеспечивает возможность
обратиться к материалам хозяйства и открывает
доступ к левому ряду кнопок, которые организуют
переход к наиболее используемым графическим
материалам хозяйства. При обращении к верхней
кнопке данного ряда открывается графическая
информация по рабочим участкам. Нажатие следующей (нижерасположенной) кнопки выдает на
экран почвенную информацию. Нажатие нижней
кнопки – графическую информацию по рельефу.
Обращение к крайне правой кнопке верхнего ряда
запускает программу расчета продуктивности и
262
Рисунок. 6.6. Дополнительные органы управления, предоставляемые пользователю
263
Рисунок 6.7. Информация по землеустройству хозяйства Огурское Балахтинского района
Красноярского края
264
Рисунок 6.8. Почвенная информация хозяйства Огурское Балахтинского района Красноярского края
265
Рисунок 6.9. Рельеф хозяйства Огурское Балахтинского района Красноярского края
266
Рисунок 6.10. Фрагмент отображения комплексной информации по хозяйству Огурское
Красноярского края
267
обеспечивает доступ к правому ряду кнопок. Оперативные органы управления данного ряда позволяют осуществить расчет по трем формулам: соответственно формула 6.1 (Ф 1) организует расчет
для экстенсивного уровня земледелия, формула
6.3 соответствует интенсивному уровню земледелия, а расчет по формуле 6.2 – промежуточному
варианту.
Зачастую при создании оригинальных программ возникает необходимость формирования
различных процедур обращения к ним со стороны
конечного пользователя. Для подобных целей
наиболее целесообразно использовать ниспадающее меню. Например, к статистическому пакету
или к приложению, осуществляющему разработку
технологий. В соответствии с этим был разработан
вариант ниспадающего меню, предназначенный в
основном для отработки перспективных проработок по технологиям.
Для комплексной и многогранной проверки
полученных результатов и апробации некоторых
перспективных
предложений
совместно
с
КНИИСХ была разработана локальная ГИС хозяйства Огурское Балахтинского района Красноярского края. Это крепкое хозяйство, расположенное на территории с холмисто-волнистым ландшафтом Огурского плато, которое совместно с
близко расположенным Красноярским водохранилищем определили основу природного ресурса хо268
зяйства. На рис. 6.6-6.10 приведены фрагменты
информации данной локальной ГИС. При отображении почвенной информации (рис. 6.8) внизу рисунка показан фрагмент соответствующей атрибутивной таблицы. Более насыщенная картина разноплановой информации, приведена на рис. 6.9, в
нижней части которого дана оценка продуктивности рабочего участка № 28 (по двум вариантам интенсивности земледелия).
На рис. 6.9. показана информация по рельефу,
отличающаяся высокой разрешающей способностью (дискретность между проведенными параллелями высот составляет 5 м).
Процесс создания цифровых данных для ГИС
является наиболее трудоемким. Скорее всего, это
обстоятельство является сдерживающим элементом на пути широкого распространения ГИСпроектов в сельскохозяйственном производстве.
Но следует учитывать некоторые положительные
моменты. Однажды созданные цифровые карты, в
подавляющем большинстве, претерпевают лишь
незначительные изменения на периоде длительного интервала времени. И возможен обмен цифровой информацией между различными организациями, так или иначе работающими с пространственной информацией (НИИГипроЗемы, Агрохимслужбы НИИ СО РАСХН и т.д.). В нашей работе хорошую помощь оказывает организованный
при СО РАН Центр ГИС-технологий. Причем мы
269
получаем не только консультационную и методическую помощь, но также и некоторые цифровые
материалы.
6.3. Перспективы развития систем поддержки
сельскохозяйственного природопользования
На сегодняшний момент времени мы разрабатываем третью очередь системы информационноаналитической системы рационального сельскохозяйственного природопользования. Она кроме
возможностей предшествующих вариантов будет
предусматривать возможность автоматизированного построения технологий и осуществление выбора рационального севооборота. А также реализацию достаточно оригинальных результатов, полученных в процессе выполнения научноисследовательской работы по оптимизации кормопроизводства.
Нам известны не совсем верные, на наш взгляд,
предложения по выбору севооборотов, исходя
только из продуктивности участков. В отличие от
них реализуется следующий подход. В основу закладывается набор рекомендуемых для данного
региона севооборотов, который может незначительно ограничиваться предварительно выбранной
специализацией хозяйства. Для каждого рабочего
участка хозяйства рассчитывается продуктивность
по всем культурам, присутствующим в наборе се270
вооборотов. При необходимости данные расчеты
выполняются для различных уровней интенсификации земледелия. Далее выбирается конкретный
рабочий участок, и перебираются для него севообороты совместно со следующими процедурами.
Для чего по каждой культуре выбранного севооборота разрабатывают технологию в соответствии с
природными условиями земельного участка и
оценивают затраты на реализацию данной технологии. Таким образом по каждой культуре севооборота имеют продуктивность и затраты возделывания культуры на данном участке, а дополнительно привлекая возможную (расчетную или прогнозируемую) цену продукции, можно получить
необходимую экономическую оценку возделывания каждой культуры. Сопоставляя полученные
результаты для всех культур севооборота, формируется экономическая оценка севооборота. Далее
последовательно выполняя выше приведенные
расчетные процедуры для каждого севооборота,
выделяют из них наиболее рациональный с экономических позиций. А для дальнейшего анализа
оставляют ранжированный ряд севооборотов, состоящий из наиболее рационального и нескольких
ближайших по экономической оценке севооборотов.
Аналогичные мероприятия проделывают для
всех рабочих участков. Далее из рабочих участков,
имеющих оптимальные севообороты одного вида
271
(или близкие к ним) формируют в соответствии с
требованиями по количеству участков в севообороте поля севооборотов.
Наиболее сложной частью в данной работе является автоматизированное построение технологий и соответствующая оценка затрат. Их высокая
актуальность и возможность многостороннего использования в дальнейшем ставит подобные проработки в ряд первоочередных задач. Для построения технологий в качестве основы предлагается
использовать программный продукт ГВЦ Минсельхозпрода. В данном продукте представлены
три составные части, при помощи которых осуществляется формирование технологий. Первая
часть «Базовые технологии» предлагает пользователю для просмотра и выбора базовые технологии
и их основные характеристики. Вторая часть «Построитель реальной технологии» позволяет пользователю спроектировать (модифицировать) реальную технологию на основе базовой технологической цепочки. Третья составная часть «Адаптер» позволяет просмотреть основные характеристики адаптера и описание набора его операций
для последующего использования возможности по
адаптации операций из базовой технологии. При
обращении к «Адаптеру» можно использовать существующие адаптеры или разработать новый
пользовательский адаптер и зарегистрировать его
в системе. Фрагмент разработанной
272
Рисунок 6.11. Фрагмент технологии производства пшеницы, построенной в автоматизированном режиме
273
при помощи данного продукта технологии приведен на рис. 6.11. К сожалению программный продукт ГВЦ Минсельхозпрода предъявляет высокие
требования к уровню подготовки пользователя и
есть сложности его согласования с ГИСпроектами.
В качестве обобщения по разрабатываемой системе, отметим следующие ее отличительные особенности:
– предусмотренное на начальном этапе построение системы в несколько очередей позволяет
ускорить внедрение в производство вариантов системы при высоком уровне конечной цели;
– возможность развития системы;
– многосторонняя оценка природных ресурсов;
– возможность учета взаимовлияний соседних
природных и социально-экономических объектов
в рыночной ситуации;
– согласованность системы с возможностями
космического мониторинга;
– применимость системы для задач точного
земледелия;
– использование при создании системы достижений других организаций.
274
6.4. Аэрокосмическая информация в ГИС
сельскохозяйственного направления
Рассматривая аспекты использования ГИСтехнологий для сельскохозяйственных задач необходимо иметь в виду следующее важное свойство
(уже отмеченное выше): их хорошую совместимость с аэрокосмической информацией и методами практического использования этого качественно нового вида информации, обладающего уникальными возможностями. Для процесса получения аэрокосмической информации используется
более широкое и универсальное понятие дистанционного зондирования (ДЗ), а получаемую при
этом информацию обозначают термином данные
дистанционного зондирования (ДДЗ) земли. В
настоящее время технические возможности
средств дистанционного зондирования существенно улучшились и самое главное ДДЗ хорошо
согласуются с использованием ГИС.
Широкое распространение получают приборы
GPS, информация с которых может успешно использоваться в локальной ГИС сельскохозяйственного назначения. Типичным примером использования системы дистанционного зондирования является выполнение ежегодной инвентаризации земель и культур Министерством сельского
хозяйства Франции на основе применения системы зондирования «SPOT». Успешно применяется
275
система дистанционного зондирования для мониторинга состояния сельскохозяйственных земель и
качества выполнения агротехнических приемов
при помощи системы метеоспутников «NOAA» и
«Landsat», хотя разрешающая способность двух
последних (1000 и 80 м) оставляет желать лучшего. Пример космического снимка со спутника
«Landsat», используемого для инвентаризации земель показан на рис. 6.12. На нем отчетливо видны границы земельных участков, насыщенность
участков высаженными культурами (или отсутствие посадок). Многие культуры различаются интенсивностью и спектром отраженного сигнала.
Сопоставляя полученный космический снимок с
аналогичной информацией прошлого года, легко
выявляют проблемные с информативной точки
зрения участки и по ним оперативно выясняют
фактическую ситуацию, в соответствии с которой
вносят коррективы в инвентаризационные документы. В качестве другого примера приведем космический снимок озера Чаны Новосибирской области (рис. 6.13), запечатлевший ситуацию в
окрестностях данного озера в конце весны. Видно,
что данный снимок обладает достаточно высокой
степенью детальности и, при проведении соответствующих исследований, мог бы рассмотрен вопрос использования изменений площади разлива в
весенний период для оценки уровня весенних запасов влаги.
276
Рисунок 6.12. Пример космического снимка со спутника«Landsat», используемого для
инвентаризации земель
277
Рисунок 6.13. Озеро Чаны Новосибирской области
278
Дистанционные методы успешно опробывались в
СССР (еще в 1982 г.) Кондратьевым К.Я. и Федченко П.П. для диагностики повреждений и гибели озимых культур после перезимовки. Для этого
использовалось изменение цвета с зеленого на бурый при повреждении посевов. В дальнейшем они
расширили свои исследования и применили методы дистанционного зондирования для определения засоренности посевов на основе различной отражательной способности сорной и культурной
растительности. По данному направлению проводятся некоторые исследования и в настоящее время.
ЦИВАО имеет достаточно большой набор космических снимков по зарубежным и российским
территориям (в основном аграрного плана). Предварительный анализ этих снимков позволил сформулировать первоначальные требования к разрешающей способности и зональности космических
снимков, а также прояснить вопрос о средствах
дистанционного зондирования, обеспечивающих
эти требования.
Из пяти производителей космической продукции дистанционного зондирования (Центр конверсионных технологий, Госцентр «Природа», Межотраслевая ассоциация «Совинформспутник»,
Нучно-исследовательский центр изучения природных ресурсов НПО «Планета», Нучноинженерный центр «Алмаз») Госцентр «Природа»
279
и ассоциация «Совинформспутник» получают на
наш взгляд наиболее подходящие снимки для
сельскохозяйственных задач (исходя из научнотехнических позиций). Так камеры МК-4 и КФА1000, которыми оснащен спутник (Ресурс-Ф) первого производителя, обеспечивают разрешающую
способность до 5 м и трехзональные снимки. Камера ТК-350 спутника «Космос» второго производителя имеет разрешение 10 м, а наиболее лучшие
показатели этого производителя космической информации имеет камера КВР-1000 (разрешение
2 м), но ее снимки относятся к разряду секретных.
Последнее время в Internet появилось достаточно большое количество различных космических снимков и, как следует ожидать, этот процесс
будет и дальше идти по нарастанию. Несколько
похожую тенденцию можно отметить и в публикациях. Но данные снимки в большинстве своем
не сопровождаются необходимой дополнительной
информацией, по крайней мере – видами обработки, которые применялись для данной продукции.
Для ДДЗ применяются следующие виды обработки: коррекция видеоинформации, предварительная обработка, классификация, преобразование изображений и, при наличии соответствующих требований в поставленной задаче, тематическая обработка.
При выполнении коррекции видеоинформации
устраняют ряд случайных, системных и система280
тических искажений, связанных с влиянием атмосферы, кривизны земли, движения космических
аппаратов относительно ее поверхности. Зачастую
для геометрической коррекции выполняют пересчет значений пикселов (точек изображения) на
новую сетку растра, изменяя при этом в большей
или меньшей степени формы объектов.
Предварительная обработка изображений преследует цель модификации данных в более удобную форму для дальнейшего визуального или
компьютерного анализа. Для этого выполняются
операции линейного и нелинейного контрастирования, преобразования отдельного элемента изображения с использованием значений соседних
пикселов, создания различных цветовых композиций для получения изображения в условных или
псевдоцветах (когда в ДДЗ присутствуют спектры
невидимого диапазона и т.п.).
Классификация – это тематическая обработка,
позволяющая производить автоматизированное
разбиение снимков на однородные по какому–
либо критерию объекты. Различают два основных
методологических подхода: классификацию с
обучением и автоматическую классификацию.
При первом варианте задача состоит в обнаружении на изображении объектов уже известных типов, что требует некоторых предварительных знаний об обследуемой земной поверхности. Однако
большей популярностью пользуется другой вид
281
классификации, не требующий дополнительной
наземной информации. Его методологической основой является кластерный анализ.
Преобразование изображений, как вид обработки, позволяет создавать новые вторичные
изображения в процессе математических преобразований нескольких спектральных зон изображения. Типичным примером данной обработки является метод главных компонент, который позволяет
создать новые переменные, аккумулирующие
свойства нескольких первичных факторов.
К группе операций специализированной тематической обработки относятся операции выделения каких-либо специфических природных или
антропогенных объектов. Обычно такие объекты
детектируются по их характерным особенностям.
Например, при реализации совокупности процедур, предназначенных для обнаружения и выделения кольцевых структур и т.п.
Применение вышеотмеченных видов обработки ДДЗ (чаще всего цифровой) существенно изменяют первоначально полученную информацию, с
одной стороны уменьшая разного рода искажения,
возникшие в процессе получения информации, а с
другой стороны, осуществляя преобразования, целесообразные для последующего конкретного
анализа. Последние преобразования очень полезные для одной задачи не всегда могут быть рациональны для другой. Отсутствие знания о приме282
ненных видах обработок изображения не позволит правильно использовать полученную видеоинформацию (ДДЗ), а в худшем случае может
привести к ложным результатам. Наиболее правильный выход из этой ситуации – это приобретение ДДЗ у организаций производителей данной
продукции или решение вопроса с основным
пользователем ДДЗ о предоставлении необходимой сопутствующей информации.
Текущая ситуация по использованию возможностей ДДЗ для аграрного направления, мягко говоря, не удовлетворительна. На наш взгляд неизбежен процесс активного использования космической информации для выполнения исследований
по аграрной тематике, несмотря на то, что его реализация является достаточно дорогой. Здесь можно искать пути уменьшения затрат, например, в
виде параллельного использования снимков, выполненных для других задач. Известны спектральные диапазоны, в которых проявляется информация о жизнеспособности растений, известен
и интервал длин волн, в котором находится полоса
поглощения света хлорофиллом, причем для различных растений эта полоса имеет несколько отличное положение. Есть, как уже выше отмечалось, положительный опыт российских исследований по этому направлению. И чем раньше широко развернутся данные работы, тем лучше как
283
для сельскохозяйственной науки, так и для соответствующего производства.
Список литературы к главе 6
6.1. Лебедев Н.С. Закон лимитирующего фактора: применение в земледелии // Земледелие. –
1994. – №6. – C. 9-11.
6.2. Сапожников П.М. Методические принципы кадастровой оценки земель сельскохозяйственного назначения // Материалы 4 съезда Докучаевского общества почвоведов – Новосибирск:
Наука-Центр, 2004. – Книга 2. – C. 266.
6.3. Трубицина Е.В. и др. Обобщенные показатели плодородия почв // Материалы 4 съезда Докучаевского общества почвоведов – Новосибирск:
Наука-Центр, 2004. – Книга 2. – C. 113.
6.4. Чуян Г.А., Виноградовым Ю.А., Букреевым Д.А. Методические подходы к комплексной
оценке качества почв // Охрана почв и проблема
экологического земледелия. – Курск, 1997. C. 6-8.
6.5. SPOT: in Agroculture // SPOT Image. –1989
– P. 1-6.
6.6. Кондратьев К.Я., Федченко П.П. Определение степени засоренности злаковых культур по
данным спектральных измерений // Исследование
земли из космоса. – 1982. – №3. – С. 59-68.
284
ЗАКЛЮЧЕНИЕ
Отставание в применении средств информатизации в сельскохозяйственной науке достигло в
настоящее время стратегически опасного уровня.
Проблему информатизации науки необходимо
рассматривать, прежде всего, как проблему социально-экономическую.
Использование передовых информационных
технологий в СО РАСХН ограничивается следующими основными причинами:
– недостатком средств вычислительной техники при высоких на нее ценах;
– низкой оплатой труда специалистов по вычислительной технике и информационным технологиям, работающих в бюджетной сфере;
– дефицитом каналов связи, их низкой пропускной способностью и помехоустойчивостью.
Однако сводить все проблемы информатизации
к насыщению материально-технической базы исследований ученых вычислительной техникой и
средствами связи крайне опасно. Успех в информатизации сельскохозяйственной науки может
быть достигнут, если одновременно с созданием
условий для внедрения передовых информационных технологий, будут созданы условия для решения менее очевидных, но более сложных проблем. Они связаны, во-первых, с производством
информации. Объем поставляемой информации в
285
сельскохозяйственной деятельности традиционно
мал по сравнению с другими развитыми странами
и другими отраслями человеческой деятельности.
Далее, это вопросы, связанные с низким уровнем
потребления информации при проведении научных исследований в сельском хозяйстве. И, наконец, существует проблема оперативной транспортировки информации от производителя к потребителю и др.
На первом этапе информатизации сельскохозяйственной науки основным является не ликвидация тех или иных «узких мест», а создание социально-экономического механизма, позволяющего подразделениям Сибирского отделения РАСХН
адаптироваться к существующим условиям.
Необходимо создать единое информационное
пространство между его институтами. Также
необходимо сформировать (совместно с руководством Сибирского федерального округа и исполнительными структурами регионов) эффективно
функционирующие региональные ИКС и единый
Информационно–консультационный Центр АПК
Сибири.
Применение информационных технологий
естественно не ограничивается научной сферой.
Существенное повышение эффективности хозяйственной деятельности в различных направлениях
сельскохозяйственного производства также может
286
быть достигнуто за счет использования информационных технологий.
Особенно это актуально в задачах повышения
эффективности сельскохозяйственного природопользования. Большой объем характеристик, описывающих конкретный элемент земельного участка, их разнообразие в пределах одного хозяйства и
достаточно сложная пространственная зависимость подобных характеристик затрудняют, а порой делают невозможным одномоментно охватить
сложный процесс (биологических, химических,
физических и т.д. явлений) при формировании
сельскохозяйственной продукции.
В данных случаях использование таких программных продуктов как ГИС, БД, экспертных систем и т.п. не только облегчит охват необходимой
многогранной информации, но и позволит, что
наиболее важно, предложить варианты рациональных действий для процесса принятия управленческих решений, то есть создать информационно-аналитическую поддержку интерактивных
управленческих процессов.
Стремительное развитие глобальной сети Internet обострило и другую еще более серьезную
проблему на уровне Российской Федерации. Это –
зависимость от зарубежных информационных
технологий, так как вся информационная инфраструктура России практически полностью базируется на импортных технических и программных
287
средствах. И это несмотря на то, что российские
программисты и специалисты в области современных информационных технологий не уступают по своему профессиональному уровню западным коллегам. Не напрасно их так интересуют
«русские мозги» в этой области. Отечественное
программное обеспечение заняло сильные позиции лишь в области бухгалтерии, автоматизации
перевода и распознавании текста.
Преодоление информационного неравенства
России в международном сообществе должно
стать в 21 веке одним из основных государственных приоритетов. Полная зависимость от импортных средств информатизации создает угрозу
национальной безопасности России и может привести к непредсказуемым последствиям во всех
сферах деятельности – научной, гражданской, военной.
Серьезность сложившейся ситуации призывает
нас активизировать исследования в сфере информационных технологий и сделать их одним из
приоритетных направлений исследований в Сибирском регионе.
288
ПРИЛОЖЕНИЕ 1
Структура модели, предлагаемой для решения
задач планирования кормопроизводства
в два этапа
Структурная экономико-математическая модель оптимизации плана кормопроизводства
представлена в следующем виде:
П  ( xijk , y jk , z j , x gjk , xtj , x jk , x pjk ),
(П1.1)
Линейная функция цели
Fmax  
S
jJ kK

C

C
jJ kK
jJ tT
tj
jk
jk
X jk   S l X l  
lL
iI
Y jk   C j Z j  
jJ
X tj  
C
jJ kK
C
j  J qQ kK
C
pP jJ kK
pjk
qjk
ijk
X ijk
X qjk
(П1.2)
X pjk ,
при условиях:
1. По использованию пашни:
  X
iI
jJ kK
ijk
  A ;
(П1.3)
lL
2. Сенокосов:
a) 
jJ

kK
y jk  y  z  A2 , б ) y  a 2 ;
(П1.4)
3. Пастбищ:
a )  z j  y  z  A3 , б ) z  a3 ;
(П1.5)
jJ
4. Соблюдения агротехнических требований к
структуре посевов:
289
Y
1n
iI1n jJ kK
X ijk  
 V
iI 2 n jJ kK
in
X ijk  0, n  N ;
(П1.6)
5. Производства минимального уровня товарной продукции растениеводческих отраслей:
(П1.7)
al xl  Bl ; l  L;
6. Использования побочной продукции товарных растениеводческих культур на корм скоту:
(П1.8)
 X pjk   d pl X l  0, p  P, j  J ;
kK
lL
7. Ограничения максимального объема покупки кормов:
(П1.9)
  X qjk  Bq , q  Q;
jJ
kK
8. Соотношения поголовья половозрастных
групп скота в различные периоды и обеспечения
минимального поголовья:
  X   
б ) X  , j  J , k  K ;
a)
jkn
jJ1n kK1n
jk
jk
jk
jJ 2 n kK 2 n
X jk  0, n  N 2 ,
jkn
(П1.10)
o
9. Баланса производства и расхода кормов:
a)  aijk xijk  a jk y jk   kaj z j   a pjk x pjk 
iI
  aqjk xqjk   k
qQ
pP
a
tT
tj
xtj  x jk  0, j  J , k  K ,
(П1.11)
б ) X jk  B jk X jk , j  J , k  K ;
10. Обеспеченности рациона питательными
веществами:
290

iI
sijk
xijk   sjk y jk   k  sj z j    spjk x pjk 
pP
   sqik xqjk   k   stj xij   sjk x jk , s  S , j  J , k  K .
qQ
(П1.12)
tT
11. Выполнения зоотехнических требований к
структуре рационов:
 pjk x jk   aijk xijk   p a jk y jk   a qjk xijk 
iI p
 k  p
qQ
 a2tjt x pjk   pjk x jk , p  P, j  J , k  K ;
(П1.13)
tT
12. Обеспечения скота зелеными кормами в
летний период и травяной мукой (гранулами или
брикетами) в зимний:
a)  aijk xijk   k ai z j   k  aitj  u jk  0, k  K ,
iI
tT
б )  jk x jk  u jk   jk ; j  J , k  K ,
(П1.14)
в)  atijk xtjk   k atj z j   k altj   tjk u jk , t  T , k  K , j  J ;
iI tk
13. Неотрицательности переменных:
( xijk , x jk , x qjk , x pjk , xtj x jk , xl , y k , y , z j u jk )
(П1.15)
Обозначения:
I – множество кормовых культур;
I1n, I2n – множество номеров культур, между которыми устанавливается соотношение по площади
посева в n-м ограничении ( I1n , I 2n  I );
J – множество номеров групп животных;
J1n, J2n – множество номеров групп животных,
между которыми устанавливаются соотношения
поголовья в n -м ограничении J 1n , J 2n  J ;
291
Jn – множество номеров групп животных, по
которым задается минимальное поголовье;
K – множество номеров периодов оптимизации
кормления животных (k = {1;2},1 – летний период, 2 – зимний период);
N1(N2) – множество номеров ограничений, в
которых устанавливается соотношение площади
посева культур (поголовья скота);
Q – множество номеров покупных кормов;
P – множество номеров видов кормов;
L – множество номеров товарных растениеводческих культур;
S – множество номеров видов питательных веществ;
T – множество номеров декад летнего периода;
xjk – поголовье j-й группы животных в k-й период;
xijk – площадь пашни под посевы i-й культуры
на корм j-й группе скота в k-й период;
xqjk – объем покупных кормов q-го вида, скармливание j-й группе скота в k-й период;
xpjk – объем кормов p-го вида от товарных растениеводческих отраслей, скармливаемых j-й
группе скота в k-й период;
xt – излишек зеленых кормов в t-ю декаду;
292
– объем кормов всех видов (в кормовом
достоинстве), скармливаемых j-й группе скота в kй период;
xl – площадь пашни под посев l-й товарной
культурой;
yjk – площадь сенокосов для заготовки сена на
корм j-й группе скота в k-й период;
y – площадь сенокосов, трансформируемая в
пастбища;
zj – площадь пастбищ, используемая под сенокосы и выпас;
ujk – объем зеленых кормов (травяной муки),
скармливаемых j-й группе скота;
aijk, ajk, aj, apjk, aqjk – кормовое достоинство кормов, получаемых с 1 га посева i-й кормовой культуры, 1 га сенокосов, 1 га пастбищ единицы p-го
вида кормов, единицы q-го вида покупных кормов;
ailjk, atj – номера выхода кормов с 1 га пастбищ
в t-ю декаду  atljk  aijk ,  tj  a j  ;
atj – потери в кормовом достоинстве единицы
зеленой массы j-ю декаду при переработке излишка в сенаж или сено;
dpl – выход кормов p-го вида с 1 га посева l-й
товарной растениеводческой культуры;
 sijk ,  sjk ,  sj ,  spjk ,  sqjk  норма выхода, s-го вида
питательных веществ с 1 га сенокосов, 1 га пастx jk
293
бищ, с единицы p-го вида кормов, с единицы q-го
вида покупных кормов;
 stj  потеря s-го вида питательных веществ в
единицах j-й зеленной массы t-й декады при переработке излишка в сенаж или сено;
 k ,  p – булевы коэффициенты;
 jkn ,  in – коэффициенты связи;
 tj k p – доля зеленых кормов, скармливаемых
скоту или перерабатываемых в сенаж, сено в t-ю


 tT

декаду   tjk  I , j  J , k  K  ;  pjk ,  pjk ,  jk ,  jk - минимальный или максимальный удельный вес p-го
вида корма (зеленых кормов или травяной муки) в
рационе j-й группы скота в k-й период;
al – выход товарной продукции l-го вида с 1 га
посева;
Bl – минимальный уровень производства товарной продукции l-го вида;
A – площадь пашни, выделяемой на кормопроизводство;
A2 (A3) – площадь сенокосов (пастбищ);
a2 (a3) – максимальная площадь трансформации сенокосов (пастбищ) в пастбища (сенокосы);
Bq – максимальный объем покупки q-го вида;
Bjk – минимальная норма скармливания кормов
j-й группе скота в k-й период;
294
Bsjk – минимальная норма содержания s-го вида
питательных веществ в рационе j-й группы скота
за k-й период;
Vjk – минимальное поголовье группы скота в kй период;
Sjk – выручка от реализации продукции животноводства за минусом затрат без кормов, получаемой с единицы j-й группы скота в k-й период;
SI – прибыль от реализации продукции с 1 га
товарных растениеводческих культур;
Сijk, Cjk, Cj, Cqjk, Cpjk – затраты на корма, получаемые с 1 га посева i-й культуры, 1 га сенокосов, 1
га пастбищ, единицы покупного q-го вида корма,
единицы p-го вида корма с побочной продукции
товарных растениеводческих отраслей;
Сtj – затраты на переработку единицы зеленой
массы при переработке в сенаж или сено в t-ю декаду.
295
ПРИЛОЖЕНИЕ 2
Типовой комплексный проект создания
кормовой базы для комплексов
по производству молока на промышленной
основе (разработка ГНУ СибНИИК)
Экономико-математическая модель имеет следующий вид:
S – множество кормовых культур;
s – номер сельскохозяйственной кормовой
культуры;
J – множество видов кормов;
Cs – затраты на единицу площади под s-й кормовой культурой (s S);
СJ – себестоимость j-го вида корма (j J);
L – все множество видов ресурсов кормопроизводства;
l – номер вида ресурсов;
fls – расход ресурса l-го вида (l L) на 1 га s-ой
культуры (s  S);
Fl – наличие ресурса l-го вида;
R – множество агротехнических групп кормовых культур;
hr, h r – соответственно минимально и максимально возможная площадь кормовых культур rой группы (r R);
I – множество элементов питания;
296
I1 – множество кальция (I1 I);
I2 – множество фосфора (I2  I);
I3 – множество каротина (I3 I);
I4 – множество сухого вещества (I4 I);
I5 – множество клетчатки (I5  I);
I6 – множество сахара (I6 I);
I7 – множество перевариваемого протеина
(I7  I);
I8 – множество кормовых единиц (I8 I);
Ps – выход кормовой продукции с 1 га s-ой
кормовой культуры, угодья (s S);
ais – содержание i-го элемента питания в единице продукции s-ой кормовой культуры (i I;
s  S);
aij – содержание i-го элемента питания в j-ом
виде корма (i  I; j  J);
bi – потребность скота в i-ом элементе питания;
K – множество групп кормов;
Sk – подмножество кормовых культур и угодий,
дающих корм k-ой группы (Sk  S; k K);
D k, Dk – соответственно минимальная и максимальная границы включения кормов k-ой группы (k K) в рацион животных;
aj' – содержание в единице j-го вида корма
(j  J) того элемента питательного вещества, по которому установлены минимальные и максималь-
297
ные нормы скармливания отдельных групп кормов;
Jk – подмножество кормов, относящихся к k-ой
группе (Jk J; k  K);
Pjs – выход j-го вида корма (j  J) с единицы
площади s-ой культуры (s S);
J' – подмножество видов кормов, получаемых с
посевов кормовых культур (J'  J);
as' – содержание в единице продукции s-ой
кормовой культуры (s  S) того питательного вещества, по которому установлены верхние и нижние
границы нормы скармливания отдельных групп
кормов;
γαs – норма внесения α-удобрения под s-ую
культуру;
xs – искомая переменная – площадь s-ой кормовой культуры или угодья, необходимая для
производства кормов;
xj – искомая переменная количества j-го вида
корма (j  J), включаемого в рацион животных.
Математическая запись модели при принятых
обозначениях:
Найти оптимальные значения
(П2.1)
 xs ;  C s xs ;  C j xj;  Pjs x j ,
sS
sS
jJ
sS jJ
при которых достигаются минимальные значения
критерия оптимальности – расход площади паш298
ни, затраты средств и труда на производство кормов при следующих условиях:
1. Производственные ресурсы для нужд кормопроизводства ограничены:
(П2.2)
 f ls xs  Fl (l  L)
sS
2. Ограничения по площади культур или их
групп:
hr   x s  hr ,
r  R.
(П2.3)
sS
3. Условия увязки кормопроизводства с животноводством:
а) включенные в рацион скота корма должны
быть сбалансированы:
a
по кальцию
sS
фосфору
a
sS
каротину
is
a
sS
is

Ps x s 

Ps x s 
a

Ps x s 
a
is
сухому веществу
sS
клетчатке
a
sS
сахару
a
sS
is
is

Ps x s 

Ps x s 
ij j
 bi (i  I1 ) ;
(П2.4)
(П2.5)
x j  bi (i  I 3 ) ;
(П2.6)

P x s   aij x j  bi (i  I 4 ) ;
(П2.7)
a
(П2.8)
jJ
ij
ij
is s
jJ
a
jJ
jJ
x j  bi (i  I 2 ) ;
jJ
a
a x
ij
jJ
ij
x j  bi (i  I 5 ) ;
x j  bi (i  I 6 ) ;
(П2.9)
перевариваемому
протеину
a
sS
is

Ps x s 
a
jJ
ij
x j  bi (i  I 7 ) ; (П2.10)
299
кормовым
единицам
a
sS
is

Ps x s 
a
jJ
ij
x j  bi (i  I 8 ) ;
(П2.11)
б) содержание каждой группы кормов в рационах:
(k  K)
(П2.12)
D k   a j x j +  a s p s x s  Dk
jJ
sS k
(количество кормов группы в рационах скота
должно быть в пределах допустимых зоотехнических норм);
4. Баланс:
а) по кормам:
(П2.13)
 Pjs xs   x j (j  J);
б) по определению потребности в удобрениях:
(П2.14)
 js xs  0 ;
5. По неотрицательности переменных:
xs≥0, xj≥0.
При разработке вариантов проектных решений
организации кормовой базы используется следующая исходная информация:
1. Объем производства животноводческой
продукции на комплексе;
2. Наличие производственных ресурсов, нормы затрат труда и средств на 1 га (на 1 ц урожая)
кормовых культур, на 1 ц животноводческой продукции;
300
3. Кормовые культуры, которые могут возделываться в условиях зоны, их урожайность, выход
питательных веществ с 1 га;
4. Требования, предъявляемые к структуре посевных площадей, вытекающие из системы севооборотов;
5. Физиологически допустимые границы различных видов кормов в рационах животных;
6. Нормы затрат питательных веществ в расчете на 1 ц продукции животноводства, необходимые для обеспечения заданной продуктивности.
При разработке плана кормопроизводства целесообразно применять целевые функции на минимум земельных угодий, минимум затрат живого
труда, минимум материально-денежных затрат и
максимум выхода кормов с 1 га кормовой площади (ц к.ед.).
301
ПРИЛОЖЕНИЕ 3
Экономико-математическая модель
планированиякормовой базы
для животноводческих комплексовс применением
нормативных коэффициентов
WK = JWK · W,
K = 1, N ;
WirK  W K  JX irK , i  1, M K ;
r  1, R ;
WirK  W  JWirK ;
(П3.1)
(П3.2)
(П3.3)
K
N MK R
W  W JX irK ;
(П3.4)
YirK  JY K  Y ;
(П3.5)
(П3.6)
k 1 i 1 r 1
PirK  WirK YirK ;
N MK
R
P   PirK ;
(П3.7)
k 1 i 1 r 1
N MK
R
ZP   JZPirK  PirK ;
(П3.8)
k 1 i 1 r 1
N MK
R
ZT   JZTirK  PirK ;
(П3.9)
k 1 i 1 r 1
AirjK  J irK  PirK  JNYirjK ;
N MK
R
A j   AirjK ;
j  1,2,3,4
(П3.10)
(П3.11)
k 1 i 1 r 1
где WK – потребность в К-ом виде кормов, ц к.ед.;
K – порядковый номер вида кормов;
302
JWK – нормативный показатель (удельный вес)
потребности в кормах;
W – планируемая потребность в кормах, ц к.ед.;
N – количество видов кормов;
WirK – потребность K-ого вида кормов i-й культуры r-го агроприема;
JX irK – удельный вес (норматив) i-й культуры rго агроприема в K-ом виде кормов;
i – порядковый номер культуры в K-ом виде
кормов;
MK – количество культур в K-ом виде кормов;
r – порядковый номер вида агроприема;
R – количество агроприемов;
J WirK – нормативный показатель потребности в
K-ом виде кормов i-й культуры r-го агроприема;
YirK – урожайность i-й культуры r-го агроприема
K-го вида кормов;
J YirK – нормативный коэффициент урожайности
i-й культуры (от средней многолетней кормовых
культур) r-го агроприема K-го вида кормов;
Y – средняя многолетняя урожайность кормовых культур, ц к.ед.
PirK – потребность в площадях для K-го вида
кормов i-й культуры (для угодий) r-го агроприема,
га;
P – общая площадь земельных угодий, га;
303
JZPirK – затраты средств (руб.) на 1 га (или на
1 ц к.ед. при JZPirK / YirK K-го вида кормов i-й культуры r-го агроприема;
ZP – общие затраты средств (руб.) на производство кормов (W);
ZT – общие затраты труда (чел./час) на производство кормов (W);
AirjK – потребность j-го вида в удобрениях, кг.
д.в.;
jK – порядковый номер вида удобрений;
JNJ irjK – нормативный коэффициент внесения jго вида удобрений, кг. д.в.;
Aj – общая потребность в удобрениях j-го вида,
ц;
JZTirK
– затраты труда (чел./час) на 1 га (или на
K
K
1ц к.ед. при JZTir / Yir K-го вида кормов i-й культуры r-го агроприема.
П р и м е р:
Требуется разработать кормовую базу для 1200
коров со средней годовой продуктивностью 4000
кг молока на корову. При расчете использованы
нормативы для третьего типа кормления.
Согласно нормативным справочникам ГНУ
СибНИПТИЖ определено, что с учетом страхового фонда (концентратов – 8-10 %, грубых и сочных кормов – 14-15 % от потребности) для этого
304
количества поголовья и при заданной продуктивности требуется 56000 ц к.ед. (в нашем примере
символ W). Для того, чтобы определить требуемое
количество кормов по видам, используем выражение WK=JWKW (П3.1), и находим необходимый
объем различных видов кормов. Например, силоса
требуется 9800 ц к.ед. (0,175 · 56000), сенажа –
6750 ц (0,120 · 56000), сена – 5250 ц, зеленых кормов – 11120 ц к.ед. и так далее.
Таким же образом, подставляя соответствующие значения нормативных коэффициентов в выражение (П3.2) определяется потребность в том
или ином виде корма K-ой группы i-й культуры. В
нашем примере требуется кукурузного силоса, полученного на богаре (56000 · 0,092) 5150 ц к.ед.,
на орошении – 3300 ц к.ед. и силоса из подсолнечника – 1400 ц (56000 · 0,025). Затем определяется
потребность сенажа. Она удовлетворяется за счет
однолетних трав без орошения в количестве 1250
ц, долголетних культурных пастбищ – 1170 и многолетних трав на орошении 4320 ц к.ед.
Урожайность определяется, используя показатели плановой урожайности кормовых культур,
или выражения YirK  JY K  Y ; (П3.4), если эту урожайность требуется определить от средней сложившейся урожайности планируемых кормовых
культур ( Y ).
305
В основе применения этого приема лежит
принцип «инерционности», согласно которому
тенденция изменения показателей уровня урожайности в прошлом определенное время сохраняется
и в будущем. В этом случае среднюю многолетнюю урожайность следует рассматривать как
функцию урожайности отдельных кормовых и
зернофуражных культур, аккумулирующих в себе
почвенно-климатические, агротехнические, биологические и экономические факторы, то есть
Y  f ( J iK ) , где Y – средняя многолетняя урожайность и J iK – многолетняя урожайность кормовых
и зернофуражных культур.
306
ПРИЛОЖЕНИЕ 4
Модель оптимального планирования кормопроизводства
Индексы:
j – кормовой культуры, вида продукции животноводства;
i – земельного угодья;
l – питательного вещества;
h – группы кормовых культур;
v – исходов погодных условий;
t – номера месяцев пастбищного периода.
Множества:
M – земельные угодья;
M1 – площади возделывания культур;
L – питательные вещества;
H – группы кормовых культур, кормов;
N – виды кормов;
N1 – виды кормов, выделяемых сверх минимума в нормах кормления;
N2 – виды продукций животноводства;
N3 – исходы погодных условий;
T – месяцы пастбищного периода.
Технико-экономические коэффициенты:
Si - общее количество i-го земельного угодья;
ij, j, tj – коэффициенты (принимают значения 0 или 1);
307
S i , S i – минимальная и максимальная пло-
щадь возделывания различных культур или группы культур;
lj – выход l-го питательного вещества c 1 га jй культуры в -ом исходе погодных условий;
alj – норма расхода l-го питательного вещества
на 1 ц j-го вида продукции животноводства;
hj – выход h-й группы кормов с 1 га j-й культуры в -ом исходе погодных условий;
ahj – минимальная норма расхода h-й группы
кормов в расчете на 1 ц j-го вида продукции животноводства;
a'hj – разница между максимальной и минимальной нормами потребления h-й группы кормов
в расчете на 1 ц j-го вида продукции животноводства;
K h – выделение h-й группы кормов в -ом исходе погодных условий в резервный фонд;
PK h – поступление h-й группы кормов в -ом
исходе погодных условий из резервного фонда;
PK l – поступление l-го питательного вещества
в -ом исходе погодных условий из резервного
фонда;
KZ t – выделение излишков кормов в -ом исходе погодных условий в t-й месяц пастбищного
периода на сенаж и т.д.;
308
Qj – гарантированный объем производства j-го
вида продукции животноводства;
cj – затраты материально-денежных средств
на 1 га j-й культуры в -ом исходе погодных условий;
p – вероятность -го исхода;
zj – переменная, обозначающая площадь возделывания j-й культуры, или объем производства jго вида продукции животноводства.
В качестве целевой функции выступает оценка
математического ожидания минимальных затрат
на производство кормов:
(П4.1)
min
  p cj z j
 N 3 jN
zj
при ограничениях:
1) по использованию земельных угодий:
(П4.2)
  ij z j  Si , i  M ;
j N
2) по предельным площадям возделывания
различных групп культур:
(П4.3)
Si   ij z j  Si , i  M 1 ;
jN
3) по обеспечению животных питательными
веществами:

 lj z j
jN
l  L,

 alj z j
jN 2
  N3
 PK l  0,
; (П4.4)
309
4) по производству группы кормов не менее
потребности:

hj z j   ahj z j  PK h
jN
 0,
jN 2
;
(П4.5)
h  H ,   N3
5) по потребности кормов сверх минимальной
нормы:
 hj z j   ahj z j   a'hj z j  PKh  Kh  0, ; (П4.6)
jN
jN 2
h  H ,   N3
jN1
 ahj z j  a'hj z j  0,
h H,
j  N 2 ; (П4.7)
6) по производству и использованию зеленых
кормов в t-й месяц пастбищного периода (условия
по обеспечению зеленого конвейера):
t
   tjhj z j   ahj
z j  KZ t  0,
; (П4.8)
j N
h  H,
  N3 ,
j N 2
t T
7) по гарантированному производству продукции животноводства:
(П4.9)
 j z j  Q j, j  N 2 ;
8) по условию равенства посевных площадей
всех кормовых культур:
(П4.10)
z j  zj , j  N ,   N 3 ;
9) по условию неотрицательности значений
переменных:
(П4.11)
z j  0, j  N .
310
ПРИЛОЖЕНИЕ 5
Примеры построения моделей урожайности и
материально-денежных затрат на производство
Модель урожайности зерновых культур:
y1 = 0,86 x1 + 1,64 x2 + 0,47 x4 + 0,03 x52 –
– 17,69 x8 – 88,42/x9 + 0,81 x40 – 48,13 x41 –
– 0,01 x412 + 0,16 x8x41 + 2,28 x9x40+
+ 0,05 x40x41 + 1447,76.
(П5.1)
F = 11,92 , R = 0,87 , D = 0,76.
Модель урожайности картофеля:
y2 = 0,18 x2 – 45,65 x22 – 5,10 x16 – 0,28 x17 +
+ 0,44 x40 – 3,92 x43 +
+ 29,97 x432+ 2815,31.
(П5.2)
F = 66,55 , R = 0,93 , D = 0,87.
Модель урожайности корнеплодов:
y3 = 0,04 x1 – 1,74 x2 + 10,33 x21 – 2502,26 x212 +
+ 41271,33 x40 – 49,26/x42 – 7719,72 x43 +
+1831,08 x432+57,17 x22 +
+ 0,01 x222 + 149651,30.
(П5.3)
F = 4,78; R = 0,91; D = 0,84.
Модели урожайности однолетних трав (на сено, на зеленый корм):
y4 = – 2,21 x1 + 54,78 x12 + 0,07 x25 – 0,79 x252 +
+ 8,96 x40 – 0,04 x402 –321,16.
(П5.4)
F = 5,58; R = 0,64; D = 0,42.
y5 = 4,03/x1 – 100,01 x292 + 0,04 x40 +
311
+ 15110,87 x402 + 656,12.
(П5.5)
F = 44,37; R = 0,88; D = 0,78.
Модели урожайности многолетних трав (на сено и зеленый корм):
y6 = 1,69 x1 – 0,05 x2 + 16,77.
(П5.6)
F=10,31; R=0,61; D=0,38.
y7 = 0,29 x1+57,34 x12 – 0,36 x332 + 0,87 x402 +
+ 0,01 x41 – 0,04 x412 – 2657,46.
(П5.7)
F = 5,52; R = 0,58; D == 0,34.
Модель урожайности кукурузы на силос:
y8 = – 8,56 x3 – 32,61 x32 + 3,09 x36 – 12,99 x362+
+ 0,02 x372 + 0,64 lgx38 – 11,06 x41 +
+ 13,44 x42 – 318,30 x43 + 1676,25.
(П5.8)
F = 3,3919; R = 0,5744; D == 0,3299.
Модель урожайности силосных культур:
y9 = 3,53 lgx1 – 20,43 x2 – 11,78 x22 +
+ 78,08 x39 – 35,65 x392 + 153,79.
(П5.9)
F = 2,83; R = 0,51; D == 0,26.
Модель урожайности естественных сенокосов
и пастбищ:
y10 = 0,14 x1 – 1,04 x12 + 25,38 x40 +0,26 x402 –
– 0,05 x41 – 155,14.
(П5.10)
F = 2,69; R = 0,46; D = 0,21.
Модель материально-денежных затрат на производство зерновых культур:
y11 = – 963,69 y1 + 188432,79 x1 – 25199,10 x4 +
+ 5147,78 x42 – 1741,25 x82 – 51,78/x9 +
+ 5430,01 x40 + 9,53 x41 +
312
+ 15473,10 x412 – 9061112,00.
(П5.11)
F = 28,77; R = 0,92; D = 0,84.
Модель материально-денежных затрат на производство картофеля:
y12 = 5,15 y2 – 272,46 lg(x14) + 595,87 lg(x19) +
+ 1,12 x20 + 19586,12/x40 – 8889,42/x41 +
+ 36,38 x42 – 2534,40.
(П5.12)
F = 2,37; R = 0,71; D = 0,51.
Модель материально-денежных затрат на производство корнеплодов:
y13 = 1,39 y3 + 119,13/x21 + 0,61 x22 –
– 0,18 x23 + 1,37 x24 –
– 0,12 x222 + 0,14 x232.
(П5.13)
F = 4,57; R = 0,88; D = 0,79.
Модель материально-денежных затрат на производство однолетних трав на сено:
y14 = 143,70 lg(y4) + 17,11 x2 – 13,88 x25 –
– 0,04/x27 + 2,31 x252 – 124,14.
(П5.14)
F = 2,07; R = 0,74; D = 0,55.
Модель материально-денежных затрат на производство однолетних трав на зеленый корм:
y15 = 1,32 y5 + 0,65 x1 + 1,11 x27 – 37,91 lg(x28) –
– 0,30 y52 + 5,33.
(П5.15)
F = 2,12; R = 0,74; D = 0,55.
Модель материально-денежных затрат на производство многолетних трав на сено:
y16 = 2,56 y6 + 2,54 x1 – 0,01 x12 – 36,41. (П5.16)
F = 2,45; R = 0,63; D = 0,39.
313
Модель материально-денежных затрат на производство многолетних трав на зеленый корм:
y17 = 0,45 y7 – 1515,97 x3 – 175,26 lg(x33) +
+ 13,07 x42 – 18492,11/x43 +
+ 821,15 x32 +629,48.
(П5.17)
F = 2,03; R = 0,58; D = 0,34.
Модель материально-денежных затрат на производство кукурузы на силос:
y18 = 1,67 y8 + 1,68 x1 – 0,30 y82 – 33,58. (П5.18)
F = 1,95; R = 0,70; D = 0,49.
Модель материально-денежных затрат на производство силосных культур:
y19 = 0,90 y9 – 2253,87/x1 + 101,05.
(П5.19)
F = 1,98; R = 0,69; D = 0,47.
Модель материально-денежных затрат на производство естественных сенокосов:
y20 = 84,19 lg(y10) – 35,92.
(П5.20)
F = 2,34; R = 0,73; D = 0,54.
Список предварительно отобранных факторов
для построения моделей приведен в приложении 6.
314
ПРИЛОЖЕНИЕ 6
Список предварительно отобранных факторов
для построения моделей
результативные:
y1 – урожайность зерновых, ц/га;
y2 – урожайность картофеля, ц/га;
y3 – урожайность корнеплодов, ц/га;
y4 – урожайность однолетних трав (сено), ц/га;
y5 – урожайность однолетних трав (зеленый
корм), ц/га;
y6 – урожайность многолетних трав (сено),
ц/га;
y7 – урожайность многолетних трав (зеленый
корм), ц/га;
y8 – урожайность кукурузы, ц/га;
y9 – урожайность силосных культур, ц/га;
y10 – урожайность естественных сенокосов (сено), ц/га;
y11 – материально-денежные затраты на 1 га
зерновых, руб.;
y12 – материально-денежные затраты на 1 га
картофеля, руб.;
y13 – материально-денежные затраты на 1 га
корнеплодов, руб.;
y14 – материально-денежные затраты на 1 га
однолетних трав (сено) , руб.;
315
y15 – материально-денежные затраты
однолетних трав (зеленый корм), руб.;
y16 – материально-денежные затраты
многолетних трав (сено), руб.;
y17 – материально-денежные затраты
многолетних трав (зеленый корм), руб.;
y18 – материально-денежные затраты
кукурузы, руб.;
y19 – материально-денежные затраты
силосных культур, руб.;
y20 – материально-денежные затраты
естественных сенокосов (сено), руб.;
на 1 га
на 1 га
на 1 га
на 1 га
на 1 га
на 1 га
производственные:
x1 – стоимость основных средств растениеводства на 100 га посевов, тыс. руб.;
x2 – энергетические мощности на 1 га посевов,
л.с.;
x3 – количество условно-эталонных тракторов
на 100 га посевов, шт.;
x4 – удельный вес зерна в структуре товарной
продукции, %;
x5 – удельный вес зерновых в общей посевной
площади, %;
x6 – затраты труда на 1 га зерновых, чел./ч;
x8 – расход минеральных удобрений на 1 га
зерновых, кг;
316
x9 – расход органических удобрений на I га
зерновых, т.;
x10 – количество комбайнов на 100 га посевов,
шт.;
x11 – оплата труда в расчете на 1 га зерновых,
руб.;
x12 – расход органических и минеральных
удобрений на 1 га зерновых, руб.;
x14 – удельный вес картофеля в общей посевной площади, %;
x15 – удельный вес картофеля в структуре товарной продукции, %;
x16 – затраты труда на 1 га картофеля, чел./ч.;
x17 – расход минеральных удобрений на 1 га
картофеля, кг;
x18 – расход органических удобрений на 1 га
картофеля, т.;
x19 – оплата труда в расчете на 1 га картофеля,
руб.;
x20 – расход органических и минеральных
удобрений на 1 га картофеля, руб.;
x21 – удельный вес корнеплодов в общей посевной площади, %;
x22 – затраты труда на 1 га корнеплодов, чел./ч.;
x23 – расход органических и минеральных
удобрений на I га корнеплодов, руб.;
x24 – оплата труда в расчете на 1 га корнеплодов, руб.;
317
x25 – удельный вес однолетних трав (сено) в
общей посевной площади, %;
x27 – расход органических и минеральных
удобрений на 1 га однолетних трав, руб.;
x28 – удельный вес однолетних трав (зеленая
масса) в общей посевной площади, %;
x29 – затраты труда на 1 га однолетних трав,
чел./ч.;
x30 – удельный вес многолетних трав (сено) в
общей посевной площади, %;
x32 – расход органических и минеральных
удобрений на 1 га многолетних трав, руб.;
x33 – удельный вес многолетних трав (зеленый
корм) в общей посевной площади, %;
x34 – затраты труда на 1 га многолетних трав,
чел./ч.;
x36 – удельный вес кукурузы в общей посевной
площади, %;
x37 – расход минеральных удобрений на 1 га
кукурузы, кг;
x38 – расход органических удобрений на 1 га
кукурузы, т.;
x39 – удельный вес силосных культур в общей
посевной площади, %;
метеорологические:
x40 – средняя температура за май-июнь, °С;
x41 – сумма осадков за май-июнь, мм;
318
x42 – средняя температура за июль-август, °С;
x43 – сумма осадков за июль-август, мм.
319
Алейников А.Ф., Голышев Д.Н., Габитов Н.М.,
Дудкин А.Л., Матасова Ю.А., Потанин В.Г.,
Чешкова А.Ф.
ПРОБЛЕМЫ ИНФОРМАТИЗАЦИЯ
СЕЛЬСКОХОЗЯЙСТВЕННОЙ НАУКИ СИБИРИ
320
Редактор
И.Ф. Митьковская
Компьютерная верстка
Т.В. Бычкова
И.Ф. Митьковская
В.А. Николаев
Обложка
В.А. Николаев