CC BY
4УДК 636.32/.38.085/.87
DOI: 10.31279/2222-9345-2019-8-33-66-70
В. И. Трухачев, С. А. Олейник, Т. С. Лесняк Trukhachev V. I., Oleynik S. A., Lesnyak T. S.
ПИТАТЕЛЬНАЯ ЦЕННОСТЬ КОРМОВ И ОЦЕНКА ВЕГЕТАЦИОННОГО ИНДЕКСА В УСЛОВИЯХ ПАСТБИЩНОГО ОВЦЕВОДСТВА
NUTRITIONAL VALUE OF FEED AND EVALUATION VEGETATIVE INDEX IN PASTURE SHEEP BREEDING
Рассмотрены вопросы оценки аминокислотного состава и питательной ценности пастбищных кормов в сочетании с вегетационным индексом в условиях пастбищного овцеводства Ставропольского края. Мониторинг аминокислотного состава кормов позволяет оптимизировать выращивание овец с учетом их двойного направления продуктивности. Значение вегетационного индекса пастбищных растений в группах, на которых выпасались подопытные группы животных, составило от 0,41 до 0,61. У группы пастбищных кормов со значением индекса 1\ЮУ1 0,61 показатели сырого протеина, общей влажности, сырого жира, сырой золы и кальция в среднем на 5,0-57,0 % превосходят аналогичные показатели группы пастбищных кормов со значением индекса 1\ЮУ1 0,41. Сочетание дистанционных методов оценки вегетационного индекса и углубленного состава питательной ценности кормов позволяет оптимизировать производственный график использования пастбищных участков различными половозрастными группами овец и повысить среднесуточные приросты живой массы молодняка группы откорма на 8-10 %. Показано, что введение подкормки грубыми кормами в особо засушливые периоды способствует сохранению энергии роста животных при изменении участков выпаса-ния. При этом параметры вегетационного индекса (1\ЮУ1) при пастбищном содержании молодняка овец должны быть не ниже 0,4.
Ключевые слова: пастбищные корма, питательная ценность, аминокислотный состав кормов, питательная ценность, вегетационный индекс, овцы.
The article deals with the assessment of the amino acid composition and nutritional value of pasture forage in combination with the vegetation index in the conditions of the pasture sheep breeding of the Stavropol Territory. Monitoring the amino acid composition of feeds allows you to optimize the cultivation of sheep, taking into account their dual productivity direction. The value of the vegetation index of pasture plants in the groups on which experimental groups of animals were grazing ranged from 0.41 to 0.61. The group of pasture feeds with the NDVI index value of 0.61 shows that the crude protein, total moisture, raw fat, wet ash and calcium, on average, exceed 5.0-57.0 % compared to the same group of pasture feeds with the NDVI index value 0.41. The combination of remote methods for assessing the vegetation index and in-depth nutritional value of feeds allows optimizing the production schedule of pasture plots use by various age and sex groups of sheep and increasing the average daily weight gain of the young fattening group by 8-10 %. It has been shown that the introduction of top dressing with coarse feeds during particularly dry periods contributes to the preservation of the growth energy of animals when the grazing areas change. At the same time, the parameters of the vegetative index (NDVI) with the pasture keeping of young sheep should not be lower than 0.4.
Key words: pasture forage, nutritional value, the amino acid composition of feed, nutritional value, vegetation index, sheep.
Трухачев Владимир Иванович -
Академик Российской академии наук, доктор сельскохозяйственных наук, профессор, доктор экономических наук, профессор, ректор ФГБОУ ВО «Ставропольский государственный аграрный университет» г. Ставрополь Тел.: 8(8652)35-22-82 E-mail: rector@stgau.ru
Олейник Сергей Александрович -
доктор сельскохозяйственных наук, профессор кафедры частной зоотехнии, селекции и разведения животных
ФГБОУ ВО «Ставропольский государственный
аграрный университет»
г. Ставрополь
Тел.: 8-918-770-31-72
E-mail: soliynik60@gmail.com
Лесняк Татьяна Сергеевна -
кандидат сельскохозяйственных наук, доцент
кафедры кормления животных и общей биологии
ФГБОУ ВО «Ставропольский государственный
аграрный университет»
г. Ставрополь
Тел.: 8-962-460-42-09
E-mail: alexandrova_026@inbox.ru
Trukhachev Vladimir Ivanovich -
Full Member (Academician) of the Russian Academy of Sciences,
Doctor of Agricultural Sciences, Professor, Doctor of Economic Sciences, Professor, Rector FSBEI HE «Stavropol State Agrarian University» Stavropol
Теl.: 8(8652)35-22-82 E-mail: rector@stgau.ru
Oleynik Sergey Aleksandrovich -
Doctor of Agricultural Sciences, Professor
of the Department of Private Animal Husbandry,
Selection and Breeding Animals
FSBEI HE «Stavropol State Agrarian University»
Stavropol
Теl.: 8-918-770-31-72 E-mail: soliynik60@gmail.com
Lesnyak Tatyana Sergeyevna -
Ph.D of Agricultural Sciences, Associate Professor of the Department of Feeding Animals and General Biology
FSBEI HE «Stavropol State Agrarian University» Stavropol
Теl.: 8-962-460-42-09
E-mail: alexandrova_026@inbox.ru
в
: № 1(33), 2019
Животноводство
67
Перспективным направлением повышения эффективности производственного планирования в области пастбищного овцеводства является использование современных новейших цифровых технологий, примером которых являются формирование геоинформационных систем для глобального позиционирования земель сельскохозяйственного назначения. В соответствии с Концепцией развития сельского хозяйства в России для эффективного управления агропромышленным комплексом страны необходимо проводить осуществление государственного мониторинга таких земель независимо от форм собственности и форм введения на них сельскохозяйственной деятельности [1].
Переход к новому типу ведения хозяйства происходит во многих развитых странах, наибольшая часть рынка земель, охваченного дистанционным мониторингом (около 53 %), в настоящее время расположена в Северной Америке, что во многом связано с высокой степенью заинтересованности «умными» инновациями со стороны фермеров США [2].
Интеллектуальные технологии наиболее активно внедряются в мелкомасштабное полевое хозяйство, пастбищное животноводство [3]. В современной животноводческой ферме могут использоваться не только наземные беспилотные транспортные средства, но и беспилотные летательные аппараты (БПЛА), оснащенные камерами и высокочувствительными сенсорами. БПЛА способны за несколько часов работы обследовать сельскохозяйственные участки внушительных размеров, а информация, собираемая с помощью различной технологической аппаратуры (камер, тепловизоров и сенсоров), позволяет фермеру создавать электронные карты полей в формате 3D, рассчитывать показатель Normalized Difference Vegetation Index (нормализованный вегетационный индекс - NDVl) для эффективного удобрения агрокультур, проводить инвентаризацию выполняемых работ, охранять сельхозугодья. В настоящий момент на международном и российском рынках присутствуют стартапы, предлагающие высаживать растения при помощи специализированных дронов, выстреливающих в почву семена в капсуле, что представляет особый интерес для повышения плодородия природных и естественных пастбищ [4].
В России среди наиболее активных участников рынка применения БПЛА выделяется ряд компаний, которые предоставляют широкий спектр услуг для сельского хозяйства. Например, компании НПП «Новые Технологии Телекоммуникаций» (г Санкт-Петербург), «Геоскан» предлагают производителям продукции сельскохозяйственного назначения помощь в создании картографии полей и расчете NDVI и других индексов, в сопровождении и контроле агротехнических мероприятий [5]. Технологии дистанционного зондирования Земли (ДЗЗ) преду-
сматривают проведение аэрокосмическои фотосъемки земель сельскохозяйственного назначения, а также пастбищных угодий [6, 7].
Современное аэрофотосъемочное оборудование (цифровые фотокамеры) принято разделять на две категории: метрические и неметрические, при использовании беспилотного летательного аппарата следует использовать камеры с весом 1-32 кг [8]. Данные космического мониторинга в последнее время успешно применяются и на Ставрополье [9], которое известно хорошо развитым пастбищным овцеводством.
Обеспечение полноценного кормления овец является важным залогом успешной реализации генетически обусловленного потенциала развития животных в соответствии с возможностями породы. При этом одной из основных проблем при обеспечении биологически полноценного питания овец является оценка свойств протеина кормов и состав его аминокислот. Учитывая, что овцы породы джалгинский меринос обладают двойным мясошерстным направлением продуктивности, особую значимость для их выращивания приобретает наличие незаменимых и серосодержащих аминокислот -цистеина, цистина, метионина, поскольку их присутствие в кормах способствует росту шерсти. Соответственно в отличие от других видов животных овцы гораздо более чувствительны к видовому составу и качеству зеленых и грубых кормов. Известно, что кормление различных половозрастных групп овец просяной соломой приводит к ухудшению качества шерсти. Аналогичным образом проявляется действие сена из крупностебельных кислых луговых злаков и сена, содержащего репейные растения. Особенно дефицит аминокислот и минеральных веществ рациона кормления проявляется в зимний период, на практике это может приводить к массовому падежу молодняка.
Таким образом, современные подходы к разработке инновационной системы пастбищного животноводства должны включать мониторинг питательной ценности и аминокислотного состава корма в сочетании с применением цифровых аэрокосмических технологий и телеметрии.
Работы выполнены при финансовой поддержке Министерства образования и науки России по Соглашению № 14.613.21.0081 с Министерством образования и науки России от 22 ноября 2017 г. Уникальный идентификатор работ: RFMEFI61317X0081.
Пастбищные корма для исследований отбирались в период основной вегетации растений (июнь - июль) и изучались стандартными общепринятыми методиками. Химический состав кормов (сырой протеин, сырая клетчатка, сырой жир, сырая зола, кальций, фосфор, аминокислотный состав) и влагу определяли на оборудовании фирм INGOS (Чехия), FIBRETHERM (Германия), VELP SCIENTIFICA (Италия) в лаборатории НТЦ «Корма и обмен веществ» (атте-
стат аккредитации №РОСС ЯУ.0001.21ПУ12 от 28.10.2014).
Группы животных для проведения исследований формировали по принципу пар-аналогов из молодняка группы откорма овец породы джалгинский меринос. Количество молодняка овец на откорме в каждой группе составило 100 голов, возраст животных составил 6 месяцев. Контрольный период выращивания подопытных животных составил 60 дней.
В наших исследованиях группы овец выпасались на пастбищах, ботанический состав которых состоял из бобово-злаковых растений (25:75 %): onobrychis, medicago, festuca pratensis, lolium perenne. Определение живой массы подопытного молодняка проводили стандартным зоотехническим методом путем взвешивания. Изучение пастбищных экосистем проводилось с применением беспилотного летательного аппарата самолетного типа АС-32-10 и гексакоптера DJI 900, с камерой Canon M10 и программным обеспечением для вычисления вегетационного индекса (NDVI).
Значение вегетационного индекса пастбищных растений в группах, на которых выпасались подопытные группы животных, составило от 0,41 до 0,61. В зависимости от значения индекса NDVI питательная ценность пастбищных кормов находилась на разном уровне (рис. 1).
В группе кормов со значением индекса INDV 0,61 содержание сырого протеина было выше, чем в группе, где индекс NDVI составил 0,41, на 1,65 абс. %, общая влажность на 11,48 абс. %, сырого жира на 0,36 абс. %, сырой золы на 0,48 абс. %, кальция на 0,02 абс. %, фосфора на 0,03 абс. %, а сырой клетчатки меньше на 7,65 абс. % соответственно.
При этом у группы пастбищных кормов со значением индекса NDVI 0,61 показатели сырого протеина, общей влажности, сырого жира,
сырой золы и кальция, в среднем, на 5,0-57,0 % превосходят аналогичные показатели группы пастбищных кормов со значением индекса NDVI 0,41. В противоположной зависимости находятся показатели вегетационного индекса и содержания сырой клетчатки и фосфора.
Результаты изучения аминокислотного состава пастбищных кормов в сочетании с вегетационным индексом при выращивании овец породы джалгинский меринос в условиях степных районов Ставропольского края представлены на рисунке 2.
Согласно полученным данным в группе II c более высоким вегетационным индексом пастбищных кормов содержание заменимых и незаменимых аминокислот было больше в среднем на 7,7-47,6 %, чем в группе I. Так, содержание аспарагиновой кислоты (Asp) во второй группе (NDVI равен 0,61) было на 47,6 % больше, чем в первой группе (NDVI равен 0,41), аналогично и по другим аминокислотам: треонин (Thr) - на 23,1 %, серин (Ser) -
33.3 %, глютаминовая кислота (Glu) - 17,5 %, пролин (Pro) - 37,5 %, глицин (Gly) - 35,7%, аланин (Ala) - 24,4 %, валин (Val) - 11,8 %, изолейцин (Lie) - 8,3 %, лейцин (Leu) - 17,4 %, тирозин (Tyr) - 20,0 %, фенилаланин (Phe) -
21.4 %, гистидин (His) - 33,3 %, лизин (Lys) -7,7 %, аргинин (Arg) - 13,3 %.
На рисунке 3 представлена динамика изменения вегетационного индекса на период с 02.02.2018 по 02.11.2018. Расчет данных проводили по уравнению регрессии
y = 1E-13x6 - 9E-11x5 + 3E-08x4 - 3E-06x3 -- 6E-05x2 + 0,0174x - 0,002, где y - NDVI;
x - дни от начальной даты (2 февраля 2018 г.);
E - экспоненциальная запись.
5G 45 4G З5 3G 25 2G 15 1G 5 G
i
i
I
в! ^ Ш
И NDVI G,41
И NDVI G,61
Сырой Общая Сырая Сырой Сырая Кальций Фосфор протеин влажность клетчатка жир зола
Рисунок 1 - Питательная ценность пастбищных кормов, %
в
естникАПК ,„ ,
Животноводство
-№ 1(33), 2019
69
0,5 - 0,45 Г:
0,4 0,35 :
0,3 п 0,25 —П—
0,2 1: 0,15 1:! п щ 0001И 0 llll.llll.il
оЛ/ /V °> / / с/ ^ '¿/'////У/*/
■ МЭУ! 0,41 ОМЭУ! 0,61
Рисунок 2 - Аминокислотный состав пастбищных кормов, %
Рисунок 3 - Усредненные значения ^У! с учетом площадных коэффициентов
Оценка эффективности выращивания овец подопытных групп позволила определить оптимальный диапазон динамики индекса NDVI, который составляет 0,41-0,61.
Ремонтный молодняк овец желательно выпасать на пастбищах, вегетационный индекс которых не ниже 0,60. При этом вегетационный индекс NDVI в достаточной степени отображает накопление питательных веществ в растениях, что совпадает с исследованиями S. Prasad [9]. По нашему мнению, диапазон измерения вегетационного индекса 500-550 нм достаточно точно отображает изменение питательной ценности пастбищных растений.
Выбор оптимальной пастбищной территории для снижения трудозатрат и проведения дистанционной оценки состояния пастбищных кормов целесообразно проводить с применением беспилотных летательных аппаратов, например летательного аппарата самолетного типа АС-32-10 или гексакоптера DJI 900, которые обо-
рудованы камерой Canon M10 и программным обеспечение для вычисления вегетационного индекса (NDVI).
Таким образом, при выращивании ремонтного молодняка овец породы джалгинский меринос целесообразно применять дистанционные методы определения вегетационного индекса с применением беспилотных летательных аппаратов, например летательного аппарата самолетного типа АС-32-10 или гексакоптера DJI 900, которые оборудованы камерой Canon M10 и программным обеспечение для вычисления вегетационного индекса (NDVI).
При выборе пастбищного участка для выращивания ремонтного молодняка овец породы джалгинский меринос желательно использовать территории с показателем вегетационного индекса NDVI на уровне 0,6, что позволит животным реализовать генетически обусловленный потенциал развития на уровне 187-195 г среднесуточных приростов живой массы.
Литература
1. Спасут ли инвестиции сельское хозяйство? [Электронный ресурс] // Информационный портал Агро-спутник. URL: http:// www.agro-sputnik.ru/index.php/news/184-spasut-li-innovacii/ (дата обращения: 09.10.2018).
2. Как космические технологии помогают сельскому хозяйству [Электронный ресурс] // СОВЗОНД. URL: http://sovzond.ru/ (дата обращения: 09.10.2018).
3. Системы параллельного вождения [Электронный ресурс] // Геокурс. URL: http:// agrogps.kz/ (дата обращения: 09.10.2018).
4. Кантемиров Ю. И. Возможности спутникового радиолокационного мониторинга для решения задач сельского хозяйства // Гео-матика. 2011. № 2. С. 85-89.
5. Караев В. В. Беспилотники в сельском хозяйстве // Студенческая наука - агропромышленному комплексу : сб. науч. тр. по материалам Междунар. науч.-практ. конф. (Владикавказ, 2016 г.) / ГГАУ. Владикавказ, 2016. С. 22-26.
6. Абросимов А. В. Перспективы применения данных ДЗЗ из космоса для повышения эффективности сельского хозяйства в России // Геоматика. 2009. № 4. С. 46-49.
7. Кормщикова М. Ю. Федеральная ГИС «Атлас земель сельскохозяйственного назначения» // Геоматика. 2013. № 1. С. 39-47.
8. Манылов И. В. Оценка эффективности аэрофотосъемочного оборудования в реализации задач мониторинга сельскохозяйственных земель // Информационно-управляющие системы. 2012. № 2. С. 13-17.
9. Prasad S. Thenkabail, Ronald B. Smith and Eddy De Pauw. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics // Remote sensing environmental. 1999. P. 158-182.
References
1. Will investment save agriculture? [Electronic resource] // Information portal Agrosatellite. URL: http://www.agro-sputnik. ru/index.php/news/184-spasut-li-innovacii/ (date of access: 09.10.2018).
2. How space technologies help agriculture [Electronic resource] // SOVZOND URL: https://sovzond.ru/ (date of access: 09.10.2018).
3. Systems of parallel driving [Electronic resource] // Geocourse. URL: http:// agrogps.kz/ (date of access: 09.10.2018).
4. Kantemirov Yu. I. Possibilities of satellite radar monitoring for solving problems of agriculture // Geomatics. 2011. № 2. P. 8589.
5. Karaev V. V. Pilots in agriculture // Student science to the agro-industrial complex : collection of scientific papers on the materials of the International scientific-practical conference (Vladikavkaz, 2016) / Gorsky State Agrarian University. Vladikavkaz, 2016. P. 22-26.
6. Abrosimov A. V. Prospects for the use of remote sensing data from space to improve the efficiency of agriculture in Russia // Geomatics. 2009. № 4. P. 46-49.
7. Kormshchikova M. Yu. Federal GIS «Atlas of Agricultural Lands» // Geomatics. 2013. № 1. P. 39-47.
8. Manylov I. V. Evaluation of the effectiveness of aerial photography equipment in the implementation of the tasks of monitoring of agricultural land // Information management systems. 2012. № 2. P. 13-17.
9. Prasad S. Thenkabail, Ronald B. Smith and Eddy De Pauw. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics // Remote sensing environmental. 1999. P. 158-182.
