CC BY
6
УДК 636.2 DOI 10.51794/27132064-2021-4-93
МОДЕЛЬ ОПИСАНИЯ ЭКОЛОГИЧЕСКОЙ УСТОЙЧИВОСТИ ФЕРМЫ КРУПНОГО РОГАТОГО СКОТА
Э.В. Васильев, кандидат технических наук Е.В. Шалавина, кандидат технических наук В.А. Спесивцев, аспирант ИАЭП - филиал ФГБНУ ФНАЦ ВИМ E-mail: sznii6@yandex.ru
Аннотация. Разработка метода формирования машинных технологий утилизации навоза ферм крупного рогатого скота, адаптированных к условиям конкретных хозяйств и обеспечивающих повышение эффективности и экологической безопасности животноводческих предприятий - важнейшая научная, социально-экономическая и хозяйственная проблема. Практика моделирования на основе нечетко-возможност-ного подхода с использованием экспертных знаний находит все большее применение в сельском хозяйстве. Эксперт используется как «интеллектуальная измерительно-диагностическая система». В настоящем исследовании приведены выбор и обоснование факторного пространства, в котором эксперт принимает решения, и построена адекватная нечетко-возможностная модель оценивания состояния экологической устойчивости фермы крупного рогатого скота. Проанализированы следующие факторы: X1 - поголовье животных, количество голов; X2 - степень эффективности технологии переработки навоза, выражающая уровень сохранности азота в процентном отношении к начальной массе, % на этапе переработки; X3 - степень эффективности технологии хранения, выражающая уровень сохранности азота в процентном отношении к начальной массе, % на этапе хранения; X4 - степень эффективности технологии внесения удобрения в почву, выражающая уровень сохранности азота в процентном соотношении от начальной массы, % на этапе внесения; X5 - наличие полей для фермы, % от необходимого; X6 - уровень технической оснащенности, % от необходимого; X7 - уровень организации и контроля технологических процессов, б/р. Ключевые слова: ферма крупного рогатого скота, экологическая устойчивость, моделирование, нечет-ко-возможностные модели, утилизация навоза.
Введение. Проблема рационального природопользования является проблемой управления состоянием окружающей среды на основе детального изучения человеком существующих в системе динамических процессов и реализующих их технологий. Устойчивость, как понятие при изучении функционирования экологической системы, возникло в результате сильных антропогенных и технологических воздействий на природные системы и в связи с необходимостью количественных оценок таких воздействий [1-3]. К особому классу относятся антропогенные и технологические воздействия, которые приводят экосистемы в катастрофическое состояние, когда процесс может стать необратимым. При таких воздействиях может возникнуть риск перехода экосистемы из устойчивого состояния в неустойчивое или даже катастрофическое [4-7]. В нашем исследовании рассматриваются проблемы экологической
безопасности, устойчивости и минимизации рисков негативного воздействия на окружающую среду от интенсивных машинных технологий и управленческих решений, задействованных при функционировании животноводческих комплексов, в частности, фермы крупного рогатого скота (КРС).
Устойчивость агроэкосистемы обусловлена прежде всего сбалансированностью потоков питательных веществ внутри этой системы. Приток веществ из внешней среды для выбранной агроэкосистемы должен быть компенсирован изъятием веществ после их использования в системе. Внутри фермы КРС эффективность использования питательных веществ определяется эффективностью каждой стадии технологического процесса производства сельскохозяйственной продукции. Этот показатель характеризует как совершенство технологического процесса с точки зрения эффективности использо-
вания поступающих и имеющихся ресурсов, так и естественные потери питательных веществ, происходящие независимо от деятельности человека [8-10].
Объектом исследования являются ферма крупного скота, технологии и система организации процессов утилизации навоза. Целью исследований является разработка модели описания экологической устойчивости животноводческой фермы (на примере КРС).
Задачи исследования: провести анализ технологий и системы организации процессов утилизации навоза и получить факторное пространство данных для фермы КРС; определить и дать характеристики основных факторов, влияющих на экологическую устойчивость фермы КРС; получить аналитическое выражение, описывающее экологическую устойчивость фермы КРС, выраженное в виде нелинейной полиномиальной модели; апробировать разработанную модель на ряде ферм КРС.
Материалы и методы. Для создания модели экологической устойчивости фермы крупного рогатого скота (КРС) было применено логико-лингвистическое моделирование (подход Спесивцева-Дроздова). Его основа - формализация экспертных суждений
при построении логико-лингвистических моделей для нечетких многомерных систем. Это достаточно апробированный метод, который применялся, в том числе, для решения агроэкологических проблем [11-13]. В нашем исследовании этот подход предусматривал следующие действия:
1. Использование нечетко-возможност-ного подхода к построению многофакторных математических моделей на основе экспертных знаний и опыта. Процесс перевода экспертных знаний в удобный для последующей компьютерной обработки вид должен состоять из трех последовательных этапов: извлечения знаний, представления знаний, формализации знаний. Все перечисленные этапы обработки экспертных знаний изображены на коммутативной диаграмме, представленной на рисунке 1. На рисунке 1 приняты следующие обозначения:
gl: М1Э(ц,1,1х)^ХЭк(цЛ,1х) - отображение, задающее процесс извлечения множества характеристик (параметров) состояния конкретного сложного объекта ZЭк(q,t,р) из метазнаний MZЭ(q,t,р) эксперта, включающих профессиональные явные ZЭпр(q,t,р) и неявные ZЭн(q,t,р) знания, а также знания в сопредельных областях ТРсопр ^Лр);
Рис. 1. Коммутативная схема процессов извлечения, представления и формализации явных
и неявных экспертных метазнаний
g2: Z к (q, t, p) >Z фп(q, t, p) - отображение, задающее процесс представления характеристик Z3K(q,t,^) в виде лингвистических переменных, и формирование факторного пространства ZЭфп(q,t,и), в котором эксперт принимает решение о состоянии сложного объекта для конкретной задачи;
g3: ZЭфп(q,t) ^ Y/S - отображение, задающее процесс формализации явных и неявных экспертных знаний (как наилучшим образом построить модель, удовлетворяющую требованиям к моделям представления знаний);
Y/S - классы состояния сложного объекта, к одному из которых следует отнести результат оценивания состояния сложного объекта;
MT?(q, t, д) - метазнания эксперта; z3r(ç, t, д) - множество всех возможных переменных применительно к решению конкретной задачи;
ZЭфп(q,t,ft) - множество количественных и неколичественных переменных, образующих факторное пространство как подмножество множества Z'3K(q,t, д), на основе которых принимается решение о состоянии сложного объекта;
И = g3°g2°gi - композиция отображений, задающих процессы извлечения, представления и формализации экспертных знаний на выбранном фактор-множестве Y/S.
Таким образом, ранее введенное отображение и: T х U х X ^ Y/S может быть представлено в виде композиции перечисленных отображений:
И = g3°g2°g1. (1)
Проведем дальнейшую детализацию процесса формирования отображения вида (1). Поскольку работа инженера по знаниям ведется с экспертом, вернее, с его метазнаниями MZ'3(q,t,д), то метазнания целесообразно представить в виде следующего теоретико-множественного описания:
MZ^(q, t, ^)={<Z:3np(q, t, д), Z:3eonp(q, t, д), Z:3H(q,t,Ù, Q3,Z:3K(q,t,\i), ZЭфп(q,t,v)J/Л>}, (2)
где Z'3np(q,t,^) - множество профессиональных знаний, связанных с рассматриваемой проблемой; Z'3aonp(q,t, - множество знаний в сопредельных областях, Z'3H(q,t,^)
- множество неявных знаний, опыт, интуиция; QЭ = {q} - множество, элементы которого характеризуют общую квалификацию эксперта; teT - множество моментов времени; Z'3K(q,t,^) - множество всех возможных переменных, используемых при решении конкретных прикладных задач; ZЭфп(q,t,^) -множество количественных и неколичественных переменных (подмножество множества к (q,t,^.), образующих факторное пространство, в котором принимаются решения о состоянии сложного объекта на выбранном фактор-множестве Y/S (представление экспертных знаний).
Как следует из анализа рисунка 1, отображение вида:
И: MZ3(q,t,^)^ Y/S (3)
в обобщенном виде описывает работу эксперта при решении проблемы оценивания состояния сложных объектов на основании своего опыта и знаний (явных и неявных).
2. Определение множества, наиболее часто применяемого в процессе работы инженера по знаниям с экспертом при решении конкретной задачи (рис. 2). Рассмотрим подробнее приведенные выше множества, наиболее часто применяемые в процессе работы инженера по знаниям с экспертом при решении конкретной задачи методом интервью.
Х - множество возможных состояний сложного объекта, элементы которого в ходе распознавания должны быть отнесены к одному из множества классов Y/S. При этом мощность множества состояний, как правил о , б о л ьше мощности конечного множества классов указанных состояний.
Ф2 - множество методов извлечения знаний. Наиболее часто используемыми методами извлечения знаний являются методы собеседования с экспертом, интервью, анкетирование, групповые методы, например, Дельфи и др. При выборе метода извлечения знаний главным является четкая постановка задачи, в ходе решения которой должен быть получен однозначный ответ на вопрос «что спрашивать».
Ez пр - множество методов представления знаний. При этом главным для инженера по знаниям является поиск однозначного ответа
на вопрос «как спрашивать». Применительно к представлению знаний эксперта наиболее предпочтительными моделями и методом являются модели и методы, базирующиеся на лингвистических описаниях знаний, которые дают возможность представлять их как в количественной, так и в качественных формах.
Ех - множество методов и алгоритмов формализации знаний. На этом этапе работы инженера по знаниям ищется ответ на вопрос «как формализовать полученную экспертную информацию в виде, удобном для
компьютерной обработки и дальнейшего использования». На практике обычно применяют методы свертки информации (аддитивная, мультипликативная), статистико-веро-ятностные методы, логико-алгебраические и логико-лингвистические методы формализации знаний и их комбинации.
Мх - множество условий, необходимых для выполнения всех операций при построении моделей.
3. Детализация факторов до получения конкретных численных значений (рис. 3).
Множество моделей изучаемого явления (в нашем случае комплекса моделей для оценивания состояния СлО)
Рис. 2. Множества, наиболее часто применяемые в процессе работы инженера по знаниям с экспертом при решении конкретной задачи
Рис. 3. Детализация факторов до получения конкретных численных значений
Эксперт в общем случае должен обладать энциклопедическими междисциплинарными знаниями. Такие требования непосильны для одного человека, а потому в качестве помощника для решения конкретных задач о состоянии сложного объекта в любой заданный момент времени должен выступать инженер по знаниям, способный задавать эксперту такие и столько вопросов, чтобы сформировать у него устойчивое представление о методике и самом построении модели изучаемого явления (в нашем случае комплекса моделей для оценивания состояния сложного объекта - фермы крупного рогатого скота).
Результаты и обсуждение. Экологическая устойчивость фермы КРС заключалась, прежде всего, в изучении ее как явления в целом и адекватной оценке этого явления, обобщающей воздействия применяемых технологий и техники. При этом вопросы охраны окружающей среды от воздействия сельскохозяйственного предприятия в данном ракурсе изучены без экономической составляющей, так как последняя является предметом эколого-экономического направления исследований со своим специфичным математическим аппаратом. Поэтому, как указывалось ранее, при исследовании опирались на опыт и знания высококвалифицированных специалистов, используя достаточно хорошо апробированный в сельском хозяйстве не-четко-возможностный подход.
Методика построения нечетко-возмож-ностных моделей предусматривала, прежде всего, выбор и обоснование факторного пространства, в котором предполагалось решение поставленной задачи. В результате содержательной дискуссии эксперты выделили переменные, факторное пространство которых определяет обобщенное состояние фермы по экологической безопасности в целом.
Входные переменные: XI - поголовье животных, количество голов; Х2 - степень эффективности технологии переработки навоза, выражающая уровень сохранности азота в процентном отношении к начальной массе, % на этапе переработки; Х3 - степень эффективности технологии хранения, выражающая уровень сохранности азота в про-
центах к начальной массе, % на этапе хранения; Х4 - степень эффективности технологии внесения удобрения в почву, выражающая уровень сохранности азота в процентном отношении к начальной массе, % на этапе внесения; Х5 - наличие полей для фермы, % от необходимого; Х6 - уровень технической оснащенности, % от необходимого; Х7 - уровень организации и контроля технологических процессов, б/р. В качестве выходной переменной выбран: У - обобщенный показатель экологической устойчивости фермы КРС, б/р. При этом все переменные представлены в лингвистическом виде. Так, обобщенный показатель экологической устойчивости фермы КРС, по мнению экспертов, системно описывался выбранными переменными, которые рассмотрены более детально.
У - обобщенный показатель экологической устойчивости фермы КРС, безразмерная переменная, является обобщенным показателем степени (уровня) благополучности функционирования фермы по загрязнению природной среды всеми видами отходов и учитываемыми видами деятельности, поименованными в факторном пространстве.
На рисунке 4 показан общий вид лингвистических переменных для представления знаний эксперта по каждому из факторов. По оси абсцисс размещены фактически три переходные шкалы: вверху - вербальная для удобства использования экспертом, т. к. эксперт думает словами, а не цифрами; внизу -количественные значения переменной (0,3....0,7) и третья шкала - стандартизованная для применения методов теории планирования экспериментов («-1»,..., «+1»); по оси ординат расположена функция принадлежности, в которой только модам вербальных оценок соответствует значение 1.
Ниже Выше
0,3 0,5 0,7
-1 О +1
Рис. 4. Общий вид лингвистической переменной
Лингвистическая форма переменной Y по оси абсцисс содержит только две шкалы, т. к. отсутствует необходимость перевода в стандартизованный масштаб, а в таблице 1
приведены вербальные характеристики Н, НС, ..., В состояния экологической устойчивости фермы КРС, по которым описания переводятся в числовые значения.
Таблица 1. Вербально-числовые отношения при оценивании состояния экологической устойчивости
фермы КРС
Интервалы Моды интервалов Описательная характеристика
0,4 и ниже Низкая Н 0,3 Экологически неустойчивая ферма КРС с риском нанесения вреда окружающей среде более 70%
0,3 - 0,5 Ниже средней НС 0,4 Экологически неустойчивая ферма КРС с риском нанесения вреда окружающей среде более 50%
0,4 - 0,6 Средняя С 0,5 Ферма КРС средней экологической устойчивости с риском возникновения локальных случаев нанесения вреда окружающей среде менее 50%
0,5 - 0,7 Выше средней ВС 0,6 Экологически устойчивая ферма с минимальными рисками локального нанесения вреда окружающей среде
0,6 и выше Высокая В 0,7 Экологически устойчивая ферма с отсутствием значимых рисков нанесения вреда окружающей среде
X! - поголовье животных на ферме, 4002500 голов. Одна из важнейших переменных - показатель устойчивости функционирования фермы, поскольку ее количественные значения в обобщенном виде отражают и прибыльные, и затратные составляющие предприятия в целом (рис. 5).
Х2 - степень эффективности технологий переработки навоза, выражающей уровень сохранности азота в процентном отношении к начальной массе, безразмерная переменная.
400 1450 2500
Рис. 5. Лингвистический вид переменной X! - поголовье животных на ферме
Вербально-числовая таблица 2 дает возможность оценивания состояния фермы по этому показателю.
Х3 - степень эффективности технологии хранения удобрения, выражающей уровень сохранности азота в процентном отношении к начальной массе, безразмерная переменная, выражает уровень применяемой технологии.
В таблице 3 приведено оценивание состояния фермы по показателю Х3.
Таблица 2. Оценивание состояния фермы
Интервалы Моды интервалов Описательная характеристика
0,4 и ниже Низкая Н 0,3 Компостирование в полевых условиях навалом. Выдерживание в полевых хранилищах
0,4 -0,6 Средняя С 0,5 Компостирование в полевых условиях в буртах при соотношении С/М менее 20. Выдерживание в гидроизолированных хранилищах менее 6 месяцев
0,6 и выше Высокая В 0,7 Компостирование на гидроизолированных площадках при соотношении С/М 20 - 30, биоферментация. Выдерживание в гидроизолированных хранилищах более 6 месяцев
Таблица 3. Оценивание состояния фермы
Интервалы Моды интервалов Описательная характеристика
0,4 и ниже Низкая, Н 0,3 Полевые негидроизолированные площадки. Жидкое органическое удобрение не хранится в зимний период
0,4 -0,6 Средняя, С 0,5 Специализированные полевые площадки. Жидкое органическое удобрение хранится в зимний период в хранилище без крышки
0,6 и выше Высокая, В 0,7 Крытые площадки и хранилища. Жидкое органическое удобрение хранится в зимний период в хранилище с крышкой
Х4 - степень (уровень) эффективности технологии внесения удобрения в почву, выражающей уровень сохранности азота в процентном отношении к начальному, безразмерная переменная. Вербально-числовая таблица 4 дает возможность оценивания состояния фермы по этому показателю.
Х5 - степень логистической обеспеченности фермы полями на доступном расстоянии, безразмерная переменная, выражает обобщенный показатель возможностей фермы в использовании угодий. Переменная характеризует степень обеспеченности фермы угодьями как показатель возможности обеспечения собственными кормами и использования угодий в обеспечении экологичности функционирования в целом с применением НДТ.
Таблица 5. Оценивание состояния фермы по степени логистической обеспеченности фермы
Х6 - уровень технической оснащенности, безразмерная переменная; служит оценкой возможности и эффективности выполнения целевых задач на всех этапах повседневной и сезонной работы фермерского хозяйства. Вербально-числовая таблица 6 дает возможность оценивания состояния фермы по этому показателю.
Таблица 6. Оценивание состояния фермы по степени технической оснащенности фермы
Интервалы Моды интервалов Описательная характеристика
0,4 и ниже Низкий Н Технические средства обеспечивают только своевременный вывоз навоза с фермы, не достает технических средств для переработки и внесения в соответствии с агротехническими сроками
0,4 -0,6 Средний С Технические средства обеспечивают только своевременный вывоз навоза с фермы и обеспечение переработки. Для внесения в соответствии с агротехническими сроками техсредств не хватает
0,6 и выше Высокий В Полная обеспеченность техсред-ствами для работ в установленные агротехнические и экологические сроки
Х7 - уровень организации и контроля технологических процессов. Переменная характеризует квалификацию персонала и достаточность его численности для выполнения работ (таблица 7).
Таблица 7. Уровень организации и контроля технологических процессов
Интервалы Моды интервалов Описательная характеристика
0,4 и ниже Низкий Н Отсутствие учета объемов образования, технологии переработки, хранения и внесения
0,4 -0,6 Средний С Учет объемов образования, технологии переработки, хранения и внесения без системы контрольно-измерительных и фиксирующих инструментов
0,6 и выше Высокий В Учет объемов образования, технологии переработки, хранения и внесения с применением системы контрольно-измерительных и фиксирующих инструментов
Согласно разработанной методике создана опросная матрица (фрагмент - таблица 8) для эксперта, где каждая строка представляет ситуацию для оценивания состояния экологической устойчивости фермы с учетом значений вербально-числовой таблицы 1.
Обработка экспертной информации в количественном виде методами теории планирования экспериментов привела к модели: У=0,52734+0,02891х1+0,05078х2+
Таблица 4. Оценивание состояния фермы по эффективности технологии внесения навоза
Интервалы Моды интервалов Описательная характеристика
0,4 и ниже Низкая Н Внесение разбрасывателями и заделка в течение 3 суток. Внесение разбрызгиванием без заделки
0,4 -0,6 Средняя С Внесение разбрасывателями и заделка в течение 1 суток
0,6 и выше Высокая В Внесение и одновременная заделка. Внутрипочвенное внесение
полями на доступном расстоянии
Интервалы Моды интервалов Описательная характеристика
0,4 и ниже Низкий Н Поля находятся в радиусе более 15 км
0,4 - 0,6 Средний С Поля находятся в радиусе 10 -15 км
0,6 и выше Высокий В Поля находятся в радиусе менее 10 км
+0,05391x3+0,03047x4+0,02422x5+ +0,02891x6+0,01172x7-0,02578x2x3--0,01172x5x6+0,00859x5x7+0,00703x1x4x7--0,00859x1x5x7-0,01328x2x3x5-0,01016x3x4x6, (5)
где представлены только слагаемые со значимыми коэффициентами, а переменные в стандартизованном масштабе по формулам:
+Хп
_ Ху у _ Хтах_
Л/ — -, Л / — -,
1 АХ^ 1 2 '
_ Хтах~Хтт
1 — 2 , г - количество переменных.
(6)
Таблица 8. Опросная матрица с оценками эксперта
№ x1 x2 x3 x4 x5 x6 x7 Уэ Ур Улинг
1 -1 -1 -1 -1 -1 -1 1 0,30 0,30 Н
2 1 -1 -1 -1 -1 -1 -1 0,35 0,35 Н-НС
3 -1 1 -1 -1 -1 -1 -1 0,40 0,42 Н-НС
61 -1 -1 1 1 1 1 1 0,60 0,62 ВС-В
62 1 -1 1 1 1 1 -1 0,65 0,64 ВС-В
63 -1 1 1 1 1 1 -1 0,60 0,60 ВС-В
64 1 1 1 1 1 1 1 0,70 0,70 В
стояния ферм по изучаемому явлению выбрана специально так, чтобы проверить возможности модели на различных уровнях их хозяйствования. Расчеты первого и третьего хозяйств оказались несколько завышенными, что отражает оценивание специалистами по более представительному факторному пространству, например, с учетом экономических показателей. В целом же степень адекватности расчетов по модели достаточно высокая, что позволяет применять ее на практике.
Таблица 9. Результаты оценивания по выбранному факторному пространству экологической
Хоз-во Х1 Х2 Х3 Х4 Х5 Х6 Х7 У У Уф
1 Н НС С В Н ВС ВС 0,36 Н-НС Н
2 ВС ВС ВС С-ВС В ВС В 0,61 ВС ВС
3 С С ВС ВС С-ВС ВС В 0,52 С НС-С
Высокая степень адекватности вычислений, по мнению эксперта, оценивается коэффициентом корреляции 0,97 и позволяет использовать модель для оценивания деятельности отдельных хозяйств по данным годовых статистических отчетов.
В нашем случае данные о фактическом состоянии ферм КРС за исследуемый период получены заранее по результатам опроса руководящих представителей и работников трех ферм КРС. Данные, собранные в хозяйствах по всему факторному пространству, представлены в вербальном виде как наиболее удобном для оценивания специалистами-экспертами. Для расчетов по модели (5) вербальные оценки экспертов переводились в числовые по шкалам (рис. 4), а затем в стандартизованный вид по формулам (6). Результаты оценивания обобщенного показателя экологической безопасности ферм в целом приведены в таблице 9.
Как следует из анализа результатов (таблица 8), расчеты проведены для ферм, существенно различающихся по уровню состояния хозяйствования. Фактическая оценка со-
Анализ полученных результатов в таблице 9 позволяет сделать заключение об адекватности модели исследуемому явлению -оцениванию экологического состояния фермы КРС применительно к условиям СевероЗападного региона России. Наличие адекватной модели (5) позволяет применять математический анализ для получения новой информации о функционировании ферм КРС. Так, был проведен численный эксперимент, когда значения всех переменных, кроме одной, фиксировались на определенном уровне, а эта переменная изменяла свои значения вдоль всей шкалы значений признака от «-1» до «+1» (рис. 9). По углу наклона графиков можно судить о степени влияния исследуемого фактора на зависимую переменную в присутствии влияния остальных.
На приведенных графиках (рис. 9) в случаях с неблагоприятным (-1) и средним (0) уровнями хозяйствования самыми значимыми переменными, с большим отрывом, являются Х2 (степень эффективности технологии переработки навоза) и Х3 (степень эффективности технологии хранения). Однако в случае со средним уровнем хозяйствования (0) влияние Х2 падает и становится меньше влияния Х3. Переменными средней значимости являются Х4 и Х6.
0,43
1 -0,S -0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8 1 -♦»XI —X2 —X3 -♦»X4 —Ж— X5 —•— X6 + X7
О
1 .0,6 -0,6 0,4 -0,2 О 0,î 0,4 0,6 0,S 1
Рис. 9. Изменение силы влияния переменных на Y на фермах с различным уровнем хозяйствования:
«-1» - неблагоприятным, «0» - средним, «+1» - благоприятным
Заключение. Полученное аналитическое выражение, описывающее исследуемое явление, выражено в виде нелинейной полиномиальной модели. Коэффициенты модели, в отличие от обычных статистических регрессий, отражают явные и неявные знания и опыт эксперта. Наличие расчетной модели позволяет оценивать состояние экологической обстановки фермы в семифакторном пространстве.
Проведенный численный эксперимент представляет два крайних состояния функционирования фермы:
- в самом неблагоприятном случае («-1»), когда все значения переменных находятся на нижних уровнях, экологическая устойчивость оценивается как «низкая», и даже существенное уменьшение поголовья фермы до х1 = +1 (Х1 = 400) способно повысить устойчивость только до значения 0,43, что по оценке шкалы таблицы соответствует уровню «ниже средней»;
- в благоприятном случае («+1»), когда уровень экологической устойчивости «высокий», существенное увеличение поголовья фермы (х1 = -1) при всех благоприятных значениях переменных способно понизить устойчивость с уровня «высокая» до «средняя - выше средней».
На основании краткого анализа можно сделать вывод о существовании некоторого максимально допустимого поголовья скота, когда устойчивость фермы, в том числе и экологическая, находится в допустимых границах. В таком случае определяющими, на наш взгляд, выступают экономические факторы. Можно также отметить, что совокупная значимость факторов Х1 и Х3 (поголовье животных и технология хранения удобрения) дает возможность достоверно проводить исследования по дистанционному мониторингу спутниковых снимков, на которых видны навозохранилища и животноводческие здания, размеры которых напрямую связаны с поголовьем животных. По динамическому анализу спутниковых снимков ферм КРС можно судить об экологической устойчивости ферм на конкретных территориях.
Литература:
1. Экосистемы: устойчивость, риск, хаос / Светлоса-нов В.А. и др. // Изменения природной среды на рубеже тысячелетий. М., 2006. С. 161-164.
2. Le Gal P.Y. How does research address the design of innovative agricultural production systems at the farm level // A Rev Agric Syst. 2011. № 104(9). P. 714-728.
3. Васильев Э.В. Повышение эколого-экономической эффективности процесса использования жидкого органического удобрения путем автоматизированного выбора рациональных вариантов технологий транспортировки и внесения в условиях Северо-Западного региона // Вестник ВНИИМЖ. 2013. № 4. С. 127-133.
4. Брюханов А.Ю., Шалавина Е.В. Анализ образования и накопления животноводческих отходов в Ленинградской области // Экологические проблемы ис-
пользования органических удобрений в земледелии. Владимир, 2015. С. 310-317.
5. Логистическая модель управления вторичными ресурсами в АПК / Брюханов А. и др. // Экономика с.-х. и перерабатывающих предприятий. 2017. № 4. С. 38.
6. Lehmann R.J. Future internet and the agri-food sector: State-of-the-art in literature and research // Comp Electron Agric. 2012. № 89. P. 158-174.
7. McCown R.L. Foale Re-inventing model-based decision support with Australian dryland farmers // Crop and pasture science. 2009. № 60(11). p. 1017-1030.
8. O 'Grady M.J. Modelling the smart farm // Information Processing in Agriculture. 2017. Vol. 4(3). P. 179-187.
9. Zom R.L. Development of a model for the prediction of feed intake by dairy cows: 1 Prediction of feed intake // Livestock Science. 2012. № 143(1). P. 43-57.
10. Шалавина Е.В., Васильев Э.В. Алгоритм принятия решений при выборе машинных технологий биоконверсии отходов животноводства // Вестник АПК Ставрополья. 2015. № 1(17). С. 366-370.
11. Спесивцев А.В., Домшенко Н.Г. Эксперт как «интеллектуальная измерительно-диагностическая система» // Сб. тр. XIII Межд. конф. по мягким вычислениям и измерениям. СПб., 2010. Т. 2. С. 28-34.
12. Моделирование слабо формализованных систем на основе явных и неявных экспертных знаний / Игнатьев М.Б. и др. СПб., 2018. 430 с.
13. Недосекин Д.Д., Прокопчина С.В., Чернавский Е.А. Информационные технологии интеллектуализации измерительных процессов. СПб., 1995. 178 с.
Literatura:
1. Ekosistemy: ustojchivost', risk, haos / Svetlosanov V.A. i dr. // Izmeneniya prirodnoj sredy na rubezhe tysya-cheletij. M., 2006. S. 161-164.
2. Le Gal P.Y. How does research address the design of innovative agricultural production systems at the farm level // A Rev Agric Syst. 2011. № 104(9). P. 714-728.
3. Vasil'ev E.V. Povyshenie ekologo-ekonomicheskoj ef-fektivnosti processa ispol'zovaniya zhidkogo organiches-
kogo udobreniya putem avtomatizirovannogo vybora ra-cional'nyh variantov tekhnologij transportirovki i vnese-niya v usloviyah Severo-Zapadnogo regiona // Vestnik VNIIMZH. 2013. № 4. S. 127-133.
4. Bryuhanov A.YU., SHalavina E.V. Analiz obrazova-niya i nakopleniya zhivotnovodcheskih othodov v Lenin-gradskoj oblasti // Ekologicheskie problemy ispol'zova-niya organicheskih udobrenij v zemledelii. Vladimir, 2015. S. 310-317.
5. Logisticheskaya model' upravleniya vtorichnymi resur-sami v APK / Bryuhanov A. i dr. // Ekonomika s.-h. i pe-rerabatyvayushchih predpriyatij. 2017. № 4. S. 38.
6. Lehmann R.J. Future internet and the agri-food sector: State-of-the-art in literature and research // Comp Electron Agric. 2012. № 89. P. 158-174.
7. McCown R.L. Foale Re-inventing model-based decision support with Australian dryland farmers // Crop and pasture science. 2009. № 60(11). p. 1017-1030.
8. O 'Grady M.J. Modelling the smart farm // Information Processing in Agriculture. 2017. Vol. 4(3). P. 179-187.
9. Zom R.L. Development of a model for the prediction of feed intake by dairy cows: 1 Prediction of feed intake // Livestock Science. 2012. № 143(1). P. 43-57.
10. SHalavina E.V., Vasil'ev E.V. Algoritm prinyatiya re-shenij pri vybore mashinnyh tekhnologij biokonversii othodov zhivotnovodstva // Vestnik APK Stavropol'ya. 2015. № 1(17). S. 366-370.
11. Spesivcev A.V., Domshenko N.G. Ekspert kak «intel-lektual'naya izmeritel'no-diagnosticheskaya sistema» // Sb. tr. HIII Mezhd. konf. po myagkim vychisleniyam i iz-mereniyam. SPb., 2010. T. 2. S. 28-34.
12. Modelirovanie slabo formalizovannyh sistem na osno-ve yavnyh i neyavnyh ekspertnyh znanij / Ignat'ev M.B. i dr. SPb., 2018. 430 s.
13. Nedosekin D.D., Prokopchina S.V., CHernavskij E.A. Informacionnye tekhnologii intellektualizacii izmeritel'-nyh processov. SPb., 1995. 178 s.
A MODEL FOR THE CATTLE FARM'S ENVIRONMENTAL SUSTAINABILITY DESCRIBING E.V. Vasiliev, candidate of technical sciences E.V. Shalavina, candidate of technical sciences V.A. Spesivtsev, postgraduate student IAEP - filial of FGBNY FNAC VIM
Abstract. The manure utilization from cattle farms' machine technologies formation method adapted to the specific farms' conditions and livestock enterprises' efficiency and environmental safety ensuring development is an important scientific, socio-economic and economic problem solved. The practice of modeling based on a fuzzy-possibility approach using expert knowledge is more and more increasingly being used in agriculture. This Expert as an "intelligent measurement and diagnostic system" is used. In this study, the expert's factor space decisions choice and justification are given, and an adequate fuzzy-and-probability model of cattle farm's environmental sustainability state assessing is constructed. The following factors are analyzed: X1 - the number of animals, the number of heads; X2 -the manure processing technology's efficiency degree, expressing the nitrogen level's preservation as initial mass percentage, % at the processing stage; X3 - the degree of efficiency of the storage technology, expressing the level of nitrogen preservation as a percentage of the initial mass, % at the storage stage; X4 - technology of soil fertilizing efficiency degree, expressing the nitrogen preservation level as the initial mass percentage, % at the application stage; X5 - the fields on farm availability, % of necessary; X6 - technical equipment level, % of necessary; X7 - technological processes organization and control level, no any%.
Keywords: cattle farm, environmental sustainability, modeling, fuzzy-and-probability models, manure utilization.
