CC BY
53
Таблица 1. Объемы заготовки грубых, сочных и концентрированных кормов (ц корм. ед. на 1 уел. голову)
Регион 2003 г. 2004 г. 2005 г. В среднем
Западная Сибирь 24,4 26,1 27,2 25,9
Восточная Сибирь 16,2 19,2 17,6 17,6
Сибирский Феде-
ральный округ 20,3 22,7 22,4 21,7
конкретной территории (как минимум за 3 года) по показателям валового выхода обменной энергии и сырого протеина с 1 га и их концентрации в 1 кг сухого вещества. Затем необходимо выбрать наиболее перспективные культуры (табл. 2), которые в даль-
ратах может служить базовое хозяйство СибНИПТИЖ АОЗТ «Большеникольское» Новосибирской области. Повышение энергетической и белковой питательности кормов рациона для молочного скота здесь осуществляется по ряду направлений:
приготовление сенажа из бобовых культур в упаковке; посев рапса на семена (1 тыс. га) с последующим получением жмыха и изготовление на его основе белково-витаминно-минеральной добавки (БВМД);
заготовка высокобелкового силоса из кукурузы с люцерной (отава второго укоса) с консервантом из электроактивированного солевого раствора;
приготовление плющеного высоковлажного фуражно-
Таблица 2. Продуктивность традиционных кормовых культур, возделываемых в Западной Сибири (в натуральной влажности)
Содержание в 1 кг корма Выход с 1 га
Культура кормовых единиц перевари-мого протеина, г оэ, МДж зеленая масса, Ц кормо- вые единицы перева-римый протеин, кг оэ, ГДж
Кострец безостый (2 укоса) 0,25 26 2,84 140 3500 364 39,8
Люцерна (2 укоса) 0,22 39 2,26 240 5280 936 54,2
Эспарцет 0,22 31 2,11 150 3300 465 31,6
Донник 0,19 31 2,18 170 3230 527 37,1
Люцерна + кострец безостный (2 укоса) 0,21 28 2,24 220 4620 616 49,2
Галега восточная (козлятник) 0,26 37 2,28 280 7280 1036 63,8
Суданская трава 0,20 19 2,26 190 3800 361 42,9
Овес 0,18 20 2,30 100 1800 200 23,0
Просо кормовое 0,23 25 2,36 160 3680 400 37,8
Кукуруза 0,16 15 1,87 170 2720 255 31,8
Г орох + овес 0,17 25 1,90 110 1870 275 20,0
Вика + овес 0,18 24 1,88 120 2160 288 22,6
Рапс 0,15 20 1,33 200 3000 400 26,6
Кукурузно - трипсакумный гибрид 0,20 16 Зерно 2,20 900 18000 1440 198,0
Рапс 1,97 172 17,36 16 3152 275 27,8
Горох 1,18 192 11,16 20 2360 384 22,3
Бобы кормовые 1,12 227 10,90 23 2576 522 25,1
Соя 1,45 281 14,70 10 1450 281 14,7
нейшем должны стать основными источниками кормов для животноводства. В представленном материале для Западной Сибири лучше всего подходят люцерна, козлятник, суданская трава, а среди зерновых — рапс на семена и бобы кормовые.
Примером создания кормовой базы с перечисленными параметрами при относительно небольших зат-
го зерна с отечественным консервантом и оборудованием; получение патоки из зерна ферментативным методом. Использование высококачественных кормов, произведенных по новым технологиям обеспечило повышение прироста массы телок на 11 %, удоя коров — на 329 кг/гол. за 3 месяца. Кроме того, улучшились качественные показатели молока.
ПЕРСПЕКТИВНЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ ИНТЕНСИФИКАЦИИ СЕЛЬСКОГО ХОЗЯЙСТВА
В. В. АЛЬТ, член-корреспондент Росселъхозакадемии СибФТИ
В.К. КАЛИЧКИН, доктор сельскохозяйственных наук СибНИИЗХим
Исследования по применению автоматизированных информационных технологий с разной степенью
интенсивности ведутся практически по всем направлениям сельскохозяйственной деятельности, что подтверждает рост публикаций о результатах работ, издание методических пособий, проведение конференций различного уровня. Достаточно много внимание уделяется вопросам применения информационных технологий для земледелия, производства растениеводческой продукции. Ученые АФИ
(г. Санкт-Петербург) рассмотрели вопросы математического моделирования продукционного процесса, агромониторинга и использования агрофизических методов информационного обеспечения для точного земледелия. Во ВНИИЗиЗПЭ (г. Курск) проведен системный анализ аналитических моделей и созданы информационно-справочные системы по оптимизации землепользования. Вопросам применения ГИС-технологий при проектировании адаптив-но-ландшафтных систем земледелия, разработке сельскохозяйственных баз данных посвящены исследования ученых СибНИИЗХим, СибФТИ (п. Краснообск), Красноярского НИИСХ (г. Красноярск). Следует отметить повышенное внимание к вопросам применения информационных ресурсов и в инженерно-технической системе АПК.
Сегодня все больше говорят об использовании «precision farming» (точное сельское хозяйство, прецизионное земледелие), как о прорыве в развитии растениеводства. Концепцией точного земледелия предусматривается оснащение сельскохозяйственных машин и энергосредств оборудованием, обеспечивающим нормированные локальные воздействия на сельскохозяйственные растения, сорняки, вредителей и болезни.
Выполнение полевых работ с учетом заложенной в технологических картах информации стало возможным благодаря системе глобального позиционирования (англ.: Global Positioning System — GPS). Современное оборудование для позиционирования обеспечивает точность ведения агрегатов по запланированным виртуальным линиям движения от одного метра до нескольких сантиметров в зависимости от применяемых дифференциальных способов ввода корректировочных сигналов и мощности установленных DGPS приемников.
Точное земледелие осуществляется при поддержке offline (косвенного) и online (прямого) способов получения необходимой информации. В первом случае сельскохозяйственный агрегат работает без непосредственного (прямого) измерения необходимых параметров. При этом из замеренных ранее величин с указанием топографических координат на стационарном компьютере изготавливается аппликационная карта данных и определяется рациональная форма такой информации для бортового компьютера.
Для решения указанной задачи необходимо переоборудовать существующие или создать новое поколение сельскохозяйственных машин и тракторов, разработать информационное сопровождение как самих агротехнологий, так и собственно информационных продуктов.
Разработка систем точного земледелия началось в 1990 г. По оценкам ученых к 2020 г. они будут использоваться в сельском хозяйстве развитых стран на 80... 100 % угодий (ВИМ). Для перехода к технологиям такого типа на каждые 100 га пашни необходимо вложить в переоснащение и модернизацию машинно-тракторного парка 38 тыс. евро (ВНИИЭСХ). По
данным Института сельскохозяйственной техники Германии дифференцированное внесение различных доз азотных и калийных удобрений на разных культурах обеспечивает прибавку урожайности (при продуктивности около 8,0 т/га) не более 10 % (ВНИИЭСХ). При этом весь совокупный эффект точного земледелия обеспечивает дифференцированное применение удобрений и средств защиты растений.
Определенное место в развитии точного земледелия должны занять данные дистанционного зондирования Земли (ДДЗ). Сегодня их активно используют при мониторинге лесных пожаров, поиске полезных ископаемых, изучении состояния окружающей среды. Фотографические и фотометрические особенности космических снимков (естественная генерализация, широкий охват снимаемой территории, периодичность съемок) обеспечивают решение задач мониторинга различного уровня (локального, регионального, глобального). В научной литературе имеются сведения по их применению в сельском хозяйстве при изучении содержания гумуса в пахотном слое почвы, определении состояния посевов отдельных сельскохозяйственных культур. Например, космические снимки спутника NOAA позволяют уста-наливать яркость изображения в ближнем инфракрасном и красном диапазонах спектра. Сравнивая между собой коэффициенты отражения отдельных культур fj и f2 в этих диапазонах, вычисляют формализованный вегетационный индекс. В случае, когда он равен 0,6...0,65 состояние посевов хорошее, уменьшение его значения свидетельствует о наличии болезней, дефиците влаги или элементов питания.
Основной недостаток данных спутника серии NOAA — низкая разрешающая способность (в надире порадка 1,1 км), что делает такие снимки применимыми для обширных территорий, например, при исследовании районов засухи, а для задач крупномасштабного картографирования они не подходят. Для этих целей больше годятся снимки спутников российской системы «Ресурс — 01-03», американской — Landsad и французской — Spot. Информация, полученная с их помощью обеспечивает дополнительные возможности распознавания отдельных сельскохозяйственных культур по отражательной способности. Наиболее информативными считаются панхроматические и спектрозональные снимки, сделанные в синем, инфракрасном и ближнем инфракрасном участках спектра, с разрешением порядка 5... 15 м.
Для обработки ДДЗ (трансформирование, геометрическая коррекция изображения, географическая привязка и дешифрирование) используется специальное программное обеспечение. Наиболее известны разработки компаний IDRISI, ESRI, ERDAS, TNT и другие.
Следует отметить, что методы автоматизированного распознавания информации на космических снимках более развиты, чем анализ географических данных в ГИС-системах. Программное обеспечение ДДЗ оперирует преимущественно с растровой формой данных, а методы анализа в ГИС основаны на их векторном представлении. В то же время совмес-
тное использование ГИС-технологий и космических снимков дает возможность создавать несколько цифровых моделей одного «источника» и серии временных рядов для изучения динамики процессов, обеспечивает решение задач крупномасштабного обследования территории и мониторинга земель сельскохозяйственного назначения.
Для разработки проектов адаптивно-ландшафт-ных систем земледелия (АЛСЗ) и агротехнологий необходим учет и систематизация огромного количества разнородной информации. Сложность состоит в том, что АЛСЗ представляют собой результат интегрирования знаний из разных областей науки и производственного опыта. На сегодня наиболее прогрессивный инструмент решения таких сложных комплексных задач — информационные технологии.
Творческим коллективом ученых (СибНИИЗХим, СибФТИ, СГГА и др.) создано программное обеспечение для автоматизированного проектирования землеустройства и землепользования в хозяйстве.
Проектирование АЛСЗ с использованием геоинфор-мационных систем состоит из нескольких крупных задач;
адаптация ГИС-технологий применительно к проектированию систем земледелия (создание цифровых моделей местности, использование встроенного языка, прикладных программ и др.);
разработка инструментария для рационального размещения на территории землепользования сельскохозяйственных культур на основе согласования требований и условий произрастания, формирование севооборотов;
разработка программного обеспечения для создания блоков систем земледелия на основе нормативных данных урожайности культур, а также изменения почвенных и погодных условий;
формирование технологий возделывания сельскохозяйственных культур с оценкой экономической эффективности земледелия.
моделирование функционирования хозяйства (методом линейного программирования) для обеспечения оптимального сочетания отраслей и высокой рентабельности производства.
Исходная информации о природных ресурсах и характеристика хозяйства систематизируется с помощью геометрической и атрибутивной баз данных (БД) ГИС.
Геометрический блок содержит цифровую модель местности, которая включает 4 подсистемы в виде цифровых карт и БД к ним. В картографической подсистеме на цифровых картах и планах представлена информация о топографических объектах территории, почвенная — содержит характеристики почвенного покрова, землеустроительная — информацию о внутрихозяйственном землеустройстве, структуре землепользования по категориям земель, мероприятиях по улучшению пастбищ, трансформации сельскохозяйственных угодий и др. Подсистема сельскохозяйственных культур отражает их агроэкологичес-кие требования к условиям произрастания. Она включает веса, оптимальные значения признаков
почвы для различных культур, а также урожайность культур с коэффициентами вариации и показатели биоклиматического потенциала территории.
Оценка продуктивности почвы путем учета урожайности возделываемых культур и размещение последних на территории осуществляется с помощью экспертной системы, разработанной в ГНУ СибНИИЗХим А.И. Южаковым. В ее основу положено соотнесение агроэкологических требований сельскохозяйственных культур к условиям произрастания и возможности почв удовлетворять их. Такая задача решается путем ранжирования замкнутого множества почвенных объектов по комплексу признаков (минимальное количество объектов — 20). Эта операция позволяет сделать показатели параметров почвы соизмеримыми и сопоставимыми между собой и перевести их в относительные величины. Соответственно, чем больше совпадений требований и условий, тем выше суммарный ранг почвы для определенной культуры.
Краткая схема расчета сравнительной продуктивности почв состоит из следующих этапов:
взвешивание каждого почвенного признака по показателям opt. для растений (выражается в долях единицы);
ранжирование по степени приближения к opt. (присваивается ранг по возрастанию качества);
взвешивание почвенного признака на «важность» для формирования урожайности культуры (очень важен, средне важен, мало важен);
определение взвешенной суммы «качеств» почвы; ранжирование почв по сумме «качеств» признаков (в результате — ранг взвешенной суммы рангов);
аппроксимация урожайности культуры к непрерывной кривой ранжирования почвенных объектов.
Одно из преимуществ такой системы — отсутствие необходимости использовать отчеты о многолетней урожайности сельскохозяйственных культур, которые применяются при бонитировке почв, как критерий объективности балльной оценки.
Поскольку системы земледелия могут различаться по уровню интенсификации, важно провести качественную оценку земель с учетом разницы между ними. Для этого применяются следующие принципы: базовые количественные параметры урожайности культуры определяются агроклиматическим потенциалом географической точки, реализуемым в условиях экстенсивного земледелия на лучшей зональной почве;
средняя урожайность оценивается полусуммой максимума и минимума, учитывается 95 % варьирования;
максимальная урожайность культуры при интенсивном земледелии определяется как 80 %-ный уровень от потенциально возможного (20 % потерь урожайности связано с метеоусловиями);
урожайность при нормальных технологиях рассчитывается по параболической кривой путем интерполяции величины этого показателя при экстенсивном и интенсивном уровнях;
диапазоны варьирования урожайности на каждом этапе интенсификации земледелия (экстенсивный, нормальный и интенсивный) уменьшаются вдвое.
Таким методом оценивается почва каждого рабочего участка и на этом основании делается вывод о ее пригодности для возделывания тех или иных культур.
После качественной оценки осуществляется группировка рабочих участков в типы земель и размещение на них севооборотов. Типизация земель проводится с помощью пакета статистического и графического анализа данных Statistic с использованием кластерного анализа. При этом в единые кластеры объединяются рабочие участки с близкими свойствами для возделывания одной или группы культур. В качестве исходных данных для анализа берутся почвенные характеристики из БД ЦПК.
Полученные оценки возможной урожайности культур по участкам накладываются на типы земель, формируя, таким образом, сравнительную продуктивность предлагаемых севооборотов при различной интенсификации. С помощью средств линейного программирования из множества вариантов севооборотов выбираются те, которые позволят хозяйству при наименьших затратах выполнить планы по производству необходимого количества растениеводческой продукции при имеющихся материальных ресурсах.
Севообороты формируются либо путем подбора культур из предложенного списка, либо выбором из списка рекомендуемых севооборотов. После выбора
севооборота рассчитывается его продуктивность, формируются технологии возделывания культур путем подбора технологических операций и определяются удельные затраты на 1 га севооборотной площади как для одной, так и для всех культур севооборота.
При окончательном формировании севооборотов и размещении полей на территории хозяйства учитывается план-заказ на растениеводческую продукцию для удовлетворения нужд животноводства, производство семян и товарной продукции. «Заказ животноводства» определяется по специальной программе Oborot, которая учитывает поголовье КРС и его структуру, а также рационы кормления по сезонам года. Подпрограмма Sevooborot, используя механизм динамического обмена данными между ПО Oborot, Excel и ГИС-Mapinfo, формирует файл в виде отчетов.
На цифровой модели землепользования в ГИС отражается карта севооборотов с условными обозначениями, цветом и штриховкой. Ее оформление позволяет иметь наглядное представление о расположении культур в целом по хозяйству, а также о принадлежности той или иной культуры к типу и номеру севооборота и его пространственном нахождении на территории хозяйства. Разработанная методика моделирования севооборотов в ГИС-среде позволяет распределить культуры по рабочим участкам, рассчитать их урожайность с учетом почвенного покрова, а затем выполнить анализ по продуктивности севооборотов и их размещению на территории землепользования.
КОНСТРУКТИВНЫЕ ОСОБЕННОСТИ КОМБАЙНОВ ПРОИЗВОДСТВА КРАСНОЯРСКОГО ЗАВОДА
АЛ ВОЛЬФ
ОАО «Красноярский завод комбайнов»
В 2007 г. Красноярский завод комбайнов приступил к выпуску промышленной партии уборочных машин 4-го класса «Енисей-960». В их конструкции прослеживается преемственность поколений комбайнов семейства «Енисей». Одна из особенностей, выгодно отличающая «Енисеи» от конкурентов, — наличие одно- и двухбарабанной схем молотильных аппаратов, что позволяет успешно эксплуатировать их в разных регионах страны. Двухбарабанные комбайны хорошо зарекомендовали себя на уборке переувлажненных хлебов и трудно вымолачиваемых культур. Наличие такой схемы предопределило создание рисовой модификации комбайна со штифто-во-бильной молотилкой.
Молотильное устройство «Енисей-960», по сравнению с комбайнами 3-го класса, более совершенно. У него нет приемного битера на входе, диаметр
первого барабана увеличен до 720 мм при угле обхвата подбарабаньем 120°. Подбарабанья первого и второго барабана имеют глубокое опускание (до 90 мм). Отбойный битер выполнен активным, 6-ти лопастным. Расчетные данные показали увеличение номинальной производительности молотильного устройства «Енисея-960», по сравнению с серийно выпускаемыми моделями, до 20 %. Это подтвердилось в ходе испытаний машины в течение 2 лет на Кубанской и Северо-западной МИС. В 2006 г. были проведены сравнительные испытания комбайнов «Енисей-960» и «Вектор». При одинаковых условиях уборки производительность однобарабанного «Енисей-960» составила 12,8 т/ч, «Вектор» — 11,4 т/ч с одинаковым уровнем потерь.
У машин 4-го класса увеличена площадь сепарации грубого вороха за счет удлинения клавиши соломотряса в однобарабанном исполнении до 4,1 м, в двухбарабанном — до 3,6 м (у «Енисея-1200» и «Енисея-950» она соответственно равна 3,6 и 2,8 м). Изменена конструкция сепарирующей решетки клави-
