Приблизително 55 години компютърните модели се използват като системи за подкрепа на решения (DSS) да се прилагат научни знания практически във всеки клон на науката: от науките за живота (напр. разработване на молекулярната структура на лекарствата и управлението и планирането за устойчиво производство на храни) до науките за земята (например изследване на космоса и глобално затопляне). Човечеството е спечелило изключително много, използвайки DSS в специфични области, за които експериментирането е практически невъзможно или невъзможно. Системите за подпомагане на вземането на решения (наричани още интелигентни инструменти за вземане на решения) могат да бъдат категоризирани най-общо в пет класа: управлявани от комуникация, управлявани от данни, управлявани от документи, управлявани от знания и модели (D. J. Powers). В края на 60-те години DSS, базирани на данни и модели, са изградени въз основа на научни познания, теория за развитие и концепции за оперативни изследвания. Въпреки това, едва в развитието на микрокомпютрите и софтуера в средата на 80-те години DSS стана лесен за ползване и започна да се прилага практически. Разработването на DSS беше тясно свързано с развитието на архитектурата и процесорната мощ на микрокомпютрите.

Преживните животни се използват широко за превръщане на негодни за консумация от човека фуражи в питателна храна при много различни условия по целия свят. Целите на подобряването на храненето на преживните животни са подобряване на производителността, намаляване на използването на ресурси и опазване на околната среда. Въпреки това, учените често трябва да екстраполират нуждите от хранителни вещества и стойностите на фуражите, разработени при стандартизирани, контролирани лабораторни условия за изследване, към всички комбинации от видове говеда, фуражи и условия на околната среда и управлението. В тези случаи DSS може да се използва като виртуални симулатори за прогнозиране на хранителни нужди и използване на фуража в различни производствени настройки.

Голямата хранителна система за преживни животни (LRNS) е компютърен модел, който оценява нуждите от хранителни вещества и предлагането на хранителни продукти за говеда и млечни животни при специфични условия на животински тип, околна среда (климатични фактори), управление и физикохимичен състав на наличните фуражи. Отчитането на специфичните за стопанството характеристики на управлението, околната среда и диетата даде възможност за по-точно прогнозиране на растежа на говедата, производството на мляко и отделянето на хранителни вещества в различни производствени ситуации. LRNS използва основния изчислителен двигател на системата за въглехидрати и протеини на Cornell Net (CNCPS) модел, версия 5, с допълнителни модификации и внедрения.

По-подробно обсъждане на историята на тези и други математически модели на хранене, както и техните бъдещи приложения могат да бъдат намерени в тази статия.

Математически модели на хранене на преживни животни могат да се използват за интегриране на нашите знания за фуражите, приема и скоростта на храносмилане и преминаване върху енергийните стойности на фуража, избягването на диетичните протеини и ефективността на микробния растеж. Те могат да бъдат ценни инструменти за оценка на нуждите на животните и хранителните вещества, получени от фуражите във всеки уникален сценарий за производство на ферма, и по този начин могат да имат важна роля в предоставянето на информация, която може да се използва в процеса на вземане на решения за подобряване на системата за хранене (Tedeschi et al ., 2005b). Чрез отчитане на специфичните за фермата характеристики на животните, фуражите и околната среда е възможно по-точно прогнозиране на хранителните нужди за поддръжка, растеж и производство на мляко на едър рогат добитък и екскреция на хранителни вещества в различни производствени ситуации (Fox et al., 2004).

В Съединените щати животновъдните ферми са под нарастващ натиск да намалят натрупването на хранителни вещества във фермата и отделянето на хранителни вещества от оборски тор, за да отговорят на екологичните разпоредби (Fox et al., 2006). Службата за опазване на природните ресурси (NRCS), офис на Министерството на земеделието на САЩ (USDA), установи необходимостта от подобряване на управлението на фуражите при концентрирани операции за хранене на животни (CAFO) за намаляване на хранителните вещества в оборския тор. USDA-NRCS разработи национален стандарт за консервационна практика за управление на фуражите (# 592; USDA-NRCS, 2003), който да се използва като част от процеса на планиране на управлението на хранителните вещества (# 590; USDA-NRCS, 2006). Целта на плана за управление на фуражите е (1) да осигури количеството налични хранителни вещества, необходимо за добитъка, като същевременно намали количеството на отделените хранителни вещества, и (2) да подобри нетния доход на фермата чрез по-ефективно хранене на хранителни вещества.

Разработването на планове за хранене и управление на хранителните вещества е сложно и изисква интегрирането на голямо количество информация за изследвания и знания. Следователно математическите модели на хранене могат да бъдат използвани за подпомагане на внедряването на технология, която отговаря на правителствените разпоредби, като улеснява прилагането и разработването на специфични за обекта планове. Освен това, механистичните модели отчитат по-точно изискванията на животните и културите, както и управлението на оборския тор и почвата, отколкото фиксираните таблични насоки, тъй като те могат да бъдат персонализирани и калибрирани за специфичните за мястото характеристики и препоръки (Tedeschi et al., 2005a; Tedeschi et al., 2005б).

Идентифицирането на изискванията за говедата и формулирането на диети, за да се отговори по-точно на тези изисквания, е най-добрата настояща стратегия за минимизиране на производството на хранителни вещества на килограм произведено месо или мляко. Термините прецизно хранене и фазово хранене са широко използвани за описване на практики за управление на хранителни вещества, които водят до намалено отделяне на хранителни вещества от CAFO. И двата термина се отнасят до по-точна хранителна система, при която специалистите по хранене отговарят на хранителните нужди на говедата, без да доставят излишни хранителни вещества, намалявайки продукцията и суровините. Фазовото хранене с протеин или изтеглянето на протеин е систематичен метод, който прилага концепции за прецизно хранене към различни фази на растежа на животните, за да отговори точно на техните нужди от хранителни вещества през периода на хранене. Фазовото хранене включва формулиране и осигуряване на по-специфични дажби през специфични за растежа периоди, докато животното узрее (Vasconcelos et al., 2007).

Математически модели на хранене на преживни животни се използват повече от три десетилетия (Chalupa и Boston 2003) и стимулират подобрения в храненето на говедата. По-пълните набори от данни, налични през последните години, съчетани с различни математически подходи ни позволиха да подобрим хранителните модели. Няколко математически модела на хранене на преживни животни са разработени в миналото (Tedeschi et al. 2005b) и е вероятно честотата на употреба да се увеличи, за да подпомогне вземането на решения не само в храненето на говедата, но и за други аспекти, включително икономиката на фермата, управление на животните и оценка на въздействието върху околната среда (Tylutki et al. 2004).

Разработването и прилагането на математически модели са от съществено значение в няколко клона от областта на научните изследвания. По-специално, предсказуемите модели се използват за оценка на резултатите от експериментите, които не могат да бъдат практически (или етично) проведени, пряко измерени, са прекомерни или просто защото има много налични данни и събирането на нови данни не е нито оправдано, нито приемливо. Въпреки че моделите са общоприети от научната общност, идентифицирането на тяхната адекватност за прогнозни цели е изключително важно за изграждане на доверие и приемане на прогнозите в по-широки ситуации.

Необходимостта от оценка на коректността на прогнозите на модела е широко обсъждана и са предложени няколко техники (Истърлинг и Бергер, 2002; Хамилтън, 1991; Тедески, 2006). Въпреки това, повечето оценки са повърхностни и предоставят малко или никаква информация относно способността на модела да предсказва бъдещи резултати. Това може да бъде обяснено частично, защото повечето математически модели са проектирани да бъдат статични, детерминирани и зависими от обхвата, което предполага, че има набор от оптимални предсказуеми способности и често те имат по-тясно и специфично за сайта приложение, отколкото по-широко. Втора причина е свързана с трудността при оценката на пригодността на математическите модели поради присъщите неотчетени вариации на базата данни; като по този начин влияе върху резултатите от процеса на оценка. Изчерпателната и безпристрастна оценка на модела е необходима не само за изграждане на доверие в прогнозите на модела, но и за проектиране на по-устойчиви модели. И накрая, трета причина се крие в използването на процеса на оценка, за да се докаже правилността и стабилността на даден математически модел или дори да се насърчи приемането и използваемостта му от други (Sterman, 2002).

Моделиране на устойчиво бъдеще за животновъдството

хранителни

"Повечето от нашите настоящи системи за производство на храни се основават на максимизиране на производителността и рентабилността с неадекватна грижа за защита или регенериране на околната среда в процеса. Със световно население, което се очаква да достигне 9,55 милиарда до 2050 г., се оказва все по-голям натиск върху глобалната храна По този начин, като същевременно се намалява въздействието върху околната среда, учените по култури, почви и животни по целия свят трябва да предложат бързи и ефективни решения.

Само животновъдството е един от най-важните глобални фактори, допринасящи за парниковите газове - отчита до 14% от емисиите, в зависимост от производствената система. Други отрицателни въздействия върху околната среда на индустрията включват оттичане на хранителни вещества, което замърсява водни тела, ерозия на почвата и потреблението на невъзобновяеми ресурси.

Тези неблагоприятни промени в околната среда бързо компенсират подобрената селскостопанска производителност чрез деградация на качеството на почвата, повишено затопляне, възраждане на болестите и изчерпване на биологичното разнообразие, наред с много други резултати. Всъщност удовлетворяването на бъдещите изисквания за храна на глобалното ни население не е възможно без опазване на околната среда.

Накратко, за да гарантираме, че растежът на човешкото население не надхвърля способността ни да произвеждаме храна, трябва да се грижим за природните ресурси, които са в основата на индустрията - така че те да бъдат достъпни за бъдещите поколения. Освен това е ясно, че всяко увеличаване на производството на храни трябва да бъде постигнато чрез повишен добив, а не чрез разширяване на земната площ, тъй като последното допълнително би увеличило тежестта върху околната среда. "

Прочетете цялата статия в Scientia или изтеглете PDF от тук.