По всем вопросам звоните:

+7 495 274-22-22

УДК: 311, ВАК 5.2.3 DOI:10.33920/sel-11-2502-06

Оптимальное управление заготовкой кормов для крупного рогатого скота на основе цифровых технологий

Худякова Елена Викторовна д-р экон. наук, профессор, заведующий кафедрой прикладной информатики, ФГБОУ ВО «Российский государственный аграрный университет — МСХА имени К.А. Тимирязева», г. Москва
Степанцевич Марина Николаевна канд. экон. наук, доцент кафедры прикладной информатики, ФГБОУ ВО «Российский государственный аграрный университет — МСХА имени К.А. Тимирязева», г. Москва
Авдеев Станислав Андреевич аспирант кафедры прикладной информатики, ФГБОУ ВО «Российский государственный аграрный университет — МСХА имени К.А. Тимирязева», г. Москва
Гусев Никита Сергеевич аспирант кафедры прикладной информатики, ФГБОУ ВО «Российский государственный аграрный университет — МСХА имени К.А. Тимирязева», г. Москва

В настоящее время оптимальное управление заготовкой кормов для крупного рогатого скота (КРС) может на основе цифровых технологий. Травянистые корма составляют около 80 % рациона КРС. Посевы кормовых трав составляют около 20% всех посевных площадей сельхозпредприятий. Значительная часть сельскохозяйственных угодий отведена под естественные пастбища и сенокосы. Важная характеристика корма для скота, во многом определяющая экономическую эффективность скотоводства — кормоотдача — зависит от химического состава корма во время его заготовки. Поэтому сельхозпредприятия стараются производить химический анализ состава трав как можно чаще, а крупные агрохолдинги делают эту операцию в соответствующие фазы развития растений ежедневно. Это трудоемкая операция, требующая значительных временных и трудовых затрат. В настоящее время цифровые технологии позволяют значительно упростить данный процесс, сделать его более оперативным и менее трудоемким. Это возможно сделать на основе дистанционного зондирования посевов кормовых трав (или естественных сенокосов). Зондирование поверхности земли может осуществляться как с помощью БПЛА, так и с помощью спутниковой съемки. У одного и другого способа есть свои преимущества и недостатки. Съемка с БПЛА характеризуется более высоким пиксельным разрешением, однако требует специальных затрат и квалификации кадров. Спутниковая не требует затрат такого рода, однако снимки имеют более низкое пиксельное разрешение. Технологии искусственного интеллекта позволяют создать нейросетевую модель определить ее параметры, которые позволят оптимальные сроки заготовки корма для определенного вида заготавливаемого корма (сено, силос, сенаж, корнаж) в зависимости от содержания питательных веществ в травах на момент заготовки.

Литература:

1. Методика дистанционной рекогносцировочной диагностики обеспечения растений азотом (с помощью мультиспектральной камеры и беспилотных летательных аппаратов). — Электронный ресурс. — ЕДРИД. — https:// edrid.ru/rid/219.017.a3a9.html https://www.claas.ru/produktsiya/easy-2018/ vysokotochnoye-syelskoye-khoeyajstvo/crop-sensor-isaria?subject=KG_ru_RU

2. Худякова Е.В., Худякова Х.К., Степанцевич М.Н., Горьбачев М.И., Никаноров М.С. Технологии интернета вещей в кормопроизводстве и их эффективность // Экономика сельскохозяйственных и перерабатывающих предприятий, 2021. — №3. — С. 31-38.

3. Christos Karydas, Miltiadis Iatrou, Dimitrios Kouretas, Anastasia Patouna, George Iatrou, Nikolaos Lazos, Sandra Gewehr, Xanthi Tseni, Fotis Tekos, Zois Zartaloudis, Evangelos Mainos and Spiros Mourelatos. Prediction of Antioxidant Activity of Cherry Fruits from UAS Multispectral Imagery Using Machine Learning. — The accepted (peer-reviewed) version for self-archiving. https://doi.org/10.1007/978-3-030-35291-2_3/International society of precision agriculture (ISPA) (2019). https://www.ispag.org.

4. Guanyuan Shuai, Rafael A. Martinez-Feria, Jinshui Zhang, Shiming Li, Richard Price, and Bruno BassoCapturing Maize Stand Heterogeneity Across Yield-Stability Zones Using Unmanned Aerial Vehicles (UAV) // Sensors (Basel). 2019 Oct; 19(20): 4446. Published online 2019 Oct 14. doi: 10.3390/s19204446.

5. James Lowenberg-DeBoer, Bruce Erickson. Setting the Record Straight on Precision Agriculture Adoption// Agronomy Journal Abstract. — Vol. 111 No. 4, p. 1552-1569.

6. Misselhorn, A., Aggarwal, P., Ericksen, P., Gregory, P., Horn-Phathanothai, L., Ingram, J., et al. (2012). A vision for attaining food security. Current Opinion in Environmental Sustainability, 4(1), 7-17.

7. Plant R.E., Stuart Pettygrove, William R. Reinert. Precision agriculture can increase profits and limit environmental impacts // California Agriculture, July 200054(4): 66-71.

8. Rodolfo Bongiovanni, James Lowenberg-DeBoer. Precision Agriculture and Sustainability// Precision Agriculture August 20045(4): 359-387.

9. Rongpeng He, Jihua Meng, Yanfei Du, Zhenxin Lin, Xinyan You and Xinyu Gao. Enhancing Regional Topsoil Total Nitrogen Mapping Through Differentiated Fusion of Ground Hyperspectral Data and Satellite Images Under Low Vegetation Cover// Agriculture 2024, 14(12), 2145; https://doi.org/10.3390/agriculture14122145 — 26 Nov 2024.

10. Schmidhuber, J., & Tubiello, F.N. (2007). Global food security under climate change. Proceedings of the National Academy of Sciences, 104(50), 19703-19708.

11. Stepanova Galina. Influence of weather conditions on chemical composition of dry matter of alfalfa (medicago varia mart.) In the flowering phase// Adaptive fodder production. — Volume 2019 №2 (38), 2019. — Электронный ресурс: https:// adaptagro.editorum.ru/en/nauka/author/52637/view.

12. Xiang Zhou, Hengbiao Zheng, X.Q. Xu, Jiaoyang He. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery//ISPRS Journal of Photogrammetry and Remote Sensing 130:246-255 · August 2017

13. Xiangtai Jiang, Lutao Gao, Xingang Xu, Wenbiao Wu, Guijun Yang, Yang Meng, Haikuan Feng, Yafeng Li, Hanyu Xue and Tianen Chen. Combining UAV Remote Sensing with Ensemble Learning to Monitor Leaf Nitrogen Content in Custard Apple (Annona squamosa L.) // Agronomy 2025, 15(1), 38; https://doi.org/10.3390/ agronomy15010038.

14. Xiaochen Jin, Liuchang Xu, Hailin Feng, Ketao Wang, Junqi Niu, Xinyuan Su, Luyao Chen, Hongting Zheng and Jianqin Huang. Optimizing Multidimensional Spectral Indices and Ensemble Learning Methods for Estimating Nitrogen Content in Torreya grandis Leaves Based on UAV Hyperspectral // Forests 2025, 16(1), 40; https://doi.org/10.3390/f16010040.

15. Yiqing Chen,Tiezhu Shi,Qipei Li,Chao Yang,Zhensheng Wang,Zongzhu Chen and Xiaoyan Pan. Mapping Soil Properties in Tropical Rainforest Regions Using Integrated UAV-Based Hyperspectral Images and LiDAR Points // Forests 2024, 15(12), 2222; https://doi.org/10.3390/f15122222 — 17 Dec 2024.

16. International society of precision agriculture (ISPA) (2019). https://www.ispag.org.

1. The methodology of remote reconnaissance diagnostics of nitrogen supply (using a multispectral camera and unmanned aerial vehicles). — An electronic resource. — EDRID. — https://edrid.ru/rid/219.017.a3a9.html https://www.claas.ru/produktsiya/easy-2018/vysokotochnoye-syelskoye-khoeyajstvo/crop-sensor-isaria?subject=KG_ru_RU

2. Khudyakova E.V., Khudyakova Kh.K., Stepantsevich M.N., Gorbachev M.I., Nikanorov M.S. Internet of Things technologies in feed production and their effectiveness // Economics of Agricultural and Processing Enterprises, 2021, No. 3, pp. 31-38

3. Christos Karydas, Miltiadis Iatrou, Dimitrios Kouretas, Anastasia Patouna, George Iatrou, Nikolaos Lazos, Sandra Gewehr, Xanthi Tseni, Fotis Tekos, Zois Zartaloudis, Evangelos Mainos and Spiros Mourelatos. Prediction of Antioxidant Activity of Cherry Fruits from UAS Multispectral Imagery Using Machine Learning. — The accepted (peer-reviewed) version for self-archiving. https://doi.org/10.1007/978-3-030-35291-2_3/International society of precision agriculture (ISPA) (2019). https://www.ispag.org.

4. Guanyuan Shuai, Rafael A. Martinez-Feria, Jinshui Zhang, Shiming Li, Richard Price, and Bruno BassoCapturing Maize Stand Heterogeneity Across Yield-Stability Zones Using Unmanned Aerial Vehicles (UAV) // Sensors (Basel). 2019 Oct; 19(20): 4446. Published online 2019 Oct 14. doi: 10.3390/s19204446.

5. James Lowenberg-DeBoer, Bruce Erickson. Setting the Record Straight on Precision Agriculture Adoption// Agronomy Journal Abstract. — Vol. 111 No. 4, p. 1552-1569.

6. Misselhorn, A., Aggarwal, P., Ericksen, P., Gregory, P., Horn-Phathanothai, L., Ingram, J., et al. (2012). A vision for attaining food security. Current Opinion in Environmental Sustainability, 4(1), 7-17.

7. Plant R.E., Stuart Pettygrove, William R. Reinert. Precision agriculture can increase profits and limit environmental impacts // California Agriculture, July 200054(4): 66-71.

8. Rodolfo Bongiovanni, James Lowenberg-DeBoer. Precision Agriculture and Sustainability// Precision Agriculture August 20045(4): 359-387.

9. Rongpeng He, Jihua Meng, Yanfei Du, Zhenxin Lin, Xinyan You and Xinyu Gao. Enhancing Regional Topsoil Total Nitrogen Mapping Through Differentiated Fusion of Ground Hyperspectral Data and Satellite Images Under Low Vegetation Cover// Agriculture 2024, 14(12), 2145; https://doi.org/10.3390/agriculture14122145 — 26 Nov 2024.

10. Schmidhuber, J., & Tubiello, F.N. (2007). Global food security under climate change. Proceedings of the National Academy of Sciences, 104(50), 19703-19708.

11. Stepanova Galina. Influence of weather conditions on chemical composition of dry matter of alfalfa (medicago varia mart.) In the flowering phase// Adaptive fodder production. — Volume 2019 №2 (38), 2019. — Электронный ресурс: https:// adaptagro.editorum.ru/en/nauka/author/52637/view.

12. Xiang Zhou, Hengbiao Zheng, X.Q. Xu, Jiaoyang He. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery//ISPRS Journal of Photogrammetry and Remote Sensing 130:246255 · August 2017

13. Xiangtai Jiang, Lutao Gao, Xingang Xu, Wenbiao Wu, Guijun Yang, Yang Meng, Haikuan Feng, Yafeng Li, Hanyu Xue and Tianen Chen. Combining UAV Remote Sensing with Ensemble Learning to Monitor Leaf Nitrogen Content in Custard Apple (Annona squamosa L.) // Agronomy 2025, 15(1), 38; https://doi.org/10.3390/ agronomy15010038.

14. Xiaochen Jin, Liuchang Xu, Hailin Feng, Ketao Wang, Junqi Niu, Xinyuan Su,Luyao Chen, Hongting Zheng and Jianqin Huang. Optimizing Multidimensional Spectral Indices and Ensemble Learning Methods for Estimating Nitrogen Content in Torreya grandis Leaves Based on UAV Hyperspectral // Forests 2025, 16(1), 40; https://doi. org/10.3390/f16010040.

15. Yiqing Chen,Tiezhu Shi,Qipei Li,Chao Yang,Zhensheng Wang,Zongzhu Chen andXiaoyan Pan. Mapping Soil Properties in Tropical Rainforest Regions Using Integrated UAV-Based Hyperspectral Images and LiDAR Points // Forests 2024, 15(12), 2222; https://doi.org/10.3390/f15122222 — 17 Dec 2024.

16. International society of precision agriculture (ISPA) (2019). https://www.ispag.org.

В настоящее время мясное и молочное скотоводство в Российской Федерации продолжает сокращать объемы производства. Среди основных причин — длительный производственный цикл в этих подотраслях и необходимость развивать такую сопутствующую отрасль, как кормопроизводство со значительными посевными площадями кормовых культур и кормовыми угодьями, длинным шлейфом техники, что определяет существенные капиталовложения и низкую скорость отдачи от капиталовложений. Это снижает степень продовольственной безопасности Российской Федерации по молоку и молочным продуктам, а также по говядине.

В этой связи весьма актуальным является поиск путей повышения эффективности скотоводства, одним из которых является укрепление кормовой базы — обеспечение скота качественными кормами, повышение кормоотдачи при одновременном снижении себестоимости производства кормов. Это во многом может быть достигнуто за счет соблюдения технологии кормопроизводства. В частности — за счет проведения заготовки кормов в оптимальные сроки.

В структуре кормового рациона скота значительную часть (60–85%) составляют корма, производимые из многолетних трав — сено, силос, сенаж. В качестве многолетних трав в средней полосе России чаще всего используются такие травы, как люцерна, клевер (красный, розовый, белый), кострец безостый, овсяница, тимофеевка луговая. Данная статья посвящена вопросам проведения химического анализа качества злаковых многолетних трав на основе дистанционных технологий с целью определения оптимального срока их скашивания.

Определение оптимальных сроков уборки многолетних трав является непростой задачей. Требуется выполнить такие операции, как: выделение на участке 8–10 учетных площадок, срезание травостоя, подготовка зеленой массы для анализа, составление средней пробы для анализа, упаковка и отправка средней пробы в лабораторию. Это является трудоемким и дорогостоящим процессом. Около 1% в Российской Федерации сельскохозяйственных предприятий имеют такие лаборатории, что недостаточно. Хотя площади под кормовыми травами в Российской Федерации сокращаются, однако на сегодняшний день они составляют 5557,5 тыс. га (таблица).

Для Цитирования:
Худякова Елена Викторовна, Степанцевич Марина Николаевна, Авдеев Станислав Андреевич, Гусев Никита Сергеевич, Оптимальное управление заготовкой кормов для крупного рогатого скота на основе цифровых технологий. Бухучет в сельском хозяйстве. 2025;2.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: