По всем вопросам звоните:

+7 495 274-22-22

УДК: 004.77

Определение оптимальных сроков заготовки кормов на основе использования технологий «Интернета вещей» (IoT)

Худякова Е. В. д-р экон. наук, проф., зав. кафедрой, ФГБОУ ВО «РГАУ-МСХА им. К.А. Тимирязева», г. Москва
Кушнарёва М. Н. канд. экон. наук, доцент, ФГБОУ ВО «РГАУ-МСХА им. К.А. Тимирязева», г. Москва
Горбачев М. И. канд. экон. наук, доцент, ФГБОУ ВО «РГАУ-МСХА им. К.А. Тимирязева», г. Москва

В статье обосновывается предложение определения оптимальных сроков заготовки кормов из трав для крупного рогатого скота на основе применения технологий «Интернета вещей» и дистанционного зондирования. Предлагается использование мульти- или гиперспектральных камер, монтируемых на БПЛА, для определения содержания переваримого протеина, который находится в определенном количественном соотношении с содержанием азота в растениях. Предлагаемая методика позволит существенно ускорить процедуру анализа, повысить кормоотдачу и, следовательно, эффективность молочного и мясного скотоводства.

Литература:

1. Национальная программа «Цифровая экономика Российской Федерации» [Электронный ресурс]. — Режим доступа: https://digital.gov.ru/ru/ activity/directions /858/.

2. Ведомственный проект Министерства сельского хозяйства РФ «Цифровое сельское хозяйство». НПП «ГАРАНТ-СЕРВИС» [Электронный ресурс]. — Режим доступа: https:// www.garant.ru/products/ipo/prime/ doc/71634878/.

3. ГОСТ Р 55986−2014 Силос из кормовых растений. Общие технические условия. Введ. 2015−07−01. — М.: Стандартинформ, 2020.

4. Косолапов В. М., Чуйков В. А., Худякова Х. К., Косолапова В. Г. Физико-химические методы анализа кормов. — М.: Россельхозакадемия, 2014. — 343 с.

5. Khudyakova E. V., Khudyakova H. K., Shitikova A. V., Savoskina O. A. Information technologies for determination the optimal period of preparing fodder from perennial grasses / A. V. Konstantinovich // Periodico Tche Quimica. — 2020. — No. 17 (35). — P. 1044–1056.

6. Остриков В. Н., Плахотный О. Б. и др. Оценка содержания азота и калия в биомассе растений по атмосферно скорректированным гиперспектральным данным дистанционного зондирования // Оптика атмосферы и океана. — 2016. — № 6.

7. Honkavaara E., Kaivosoja J., Mäkynen J., Pellikka I., Pesonen L., Saari H. et al. Hyperspectral refl ectance signatures and point clouds for precision agriculture by light weight UAV imaging system // ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. — 2012. — No. 7. — P. 353−358.

8. Fauzi A., Skidmore A. K., Gils H. V., Schlerf M., Heitkönig I. Shrimp pond effl uent dominates foliar nitrogen in disturbed man-groves as mapped using hyperspectral imagery // Marine Pollution Bulletin. — 2013. — No. 76 (1). — Р. 42–51.

9. Zhang X., Liu F., He Y., Gong X. Detecting macronutrients content and distribution in oilseed rape leaves based on hyperspectral imaging // Biosystems Engineering. — 2013. — No. 115. — Р. 56–65.

10. Yao X., Zhu Y., Tian Y., Feng W., Cao W. Exploring hyperspectral bands and estimation indices for leaf nitrogen accumulation in wheat // International Journal of Applied Earth Observation and Geoinformation. — 2010. — No. 12. — Р. 89–100.

11. Косолапов В. М., Чуйков В. М., Худякова Х. К. и др. Минеральные элементы в кормах и методы их анализа. — М.: Угреша Т, 2019. — 271 с.

В настоящее время цифровые технологии все активнее входят в нашу жизнь. Сельскохозяйственное производство не остается в стороне от этого процесса, где уже сегодня используются различные технологии точного земледелия, такие как дифференцированный посев и полив, технологии параллельного вождения, «Интернет вещей», дополненной реальности и др. Этому способствует принятие ряда основополагающих нормативных актов — Национальная программа «Цифровая экономика Российской Федерации» [1], ведомственный проект Министерства сельского хозяйства РФ «Цифровое сельское хозяйство» [2].

В силу территориальной рассредоточенности сельского хозяйства многие процессы могут быть организованы на основе использования технологий «Интернета вещей», развитию которого способствует произошедшее в последние 2−3 года развитие сетей LPWAN, всевозможных датчиков и сенсоров. Использование данных сетей в несколько раз дешевле аналогичных услуг сотовых операторов, датчики могут работать несколько лет без подзарядки и какого-либо вмешательства человека.

В данной статье обосновывается целесообразность применения технологии «Интернета вещей» в кормопроизводстве, развитие которого является основой совершенствования молочного и мясного скотоводства, уровень продовольственной безопасности по которым в Российской Федерации пока не достигнут.

Основой стабильного развития молочного и мясного скотоводства является прочная кормовая база. Рацион скота должен содержать установленное количество и соотношение определенных видов кормов. От этого зависят кормоотдача и эффективность скотоводства в целом. Качество корма во многом определяется соблюдением технологии его заготовки.

При заготовке кормов из трав (сено, силос, сенаж) важным показателем является оптимальное соотношение в корме клетчатки и переваримого протеина (белка). Оптимальное соотношение предполагает содержание протеина, например, для сенажа и силоса 1-го класса, не меньше 16−18 % и не больше 26−28 % по содержанию клетчатки в сенаже и силосе первого сорта [3]. С увеличением вегетационного периода удельное содержание клетчатки в растениях увеличивается, а удельный вес протеина падает. Срок, в течение которого ведется заготовка кормовых трав, — с 11 по 20 июня, составляет 10 дней и может быть сдвинут вправо и влево в зависимости от погодных условий конкретного года. Период времени, когда соотношение этих веществ оптимально, длится несколько дней, и установить его нелегко. В целом за уборочную кампанию можно потерять до 20 % питательности корма.

Для Цитирования:
Худякова Е. В., Кушнарёва М. Н., Горбачев М. И., Определение оптимальных сроков заготовки кормов на основе использования технологий «Интернета вещей» (IoT). Главный агроном. 2022;2.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: