A Forecast Model of the Complex Negative Impact of Agricultural Production Technologies on Water Bodies

Cover Page


Cite item

Full Text

Abstract

Introduction. The purpose of research is to develop a mathematical model for assessing and forecasting the complex negative impacts of agricultural technologies on water bodies. This problem is relevant because of the need to enlarge agricultural enterprises. The created model for forecasting is necessary to make an objective assessment, taking into account the complex effect of machine technologies applied to agricultural production and all biogenic elements that have a negative impact on water bodies.
Materials and Methods. There was used the Spesivtsev – Drozdov method of logical-linguistic modeling, which allows giving expert knowledge a form mathematical model. Four experts were interviewed, and the obtained data became a subject of the regression analysis. The adequacy of the model was confirmed using the coefficient of determination and Fisher’s test.
Results. A hierarchical system of 6 factors and 14 sub-factors was formed, including both the applied machine technologies and the management decisions on the matter. There was created a model containing a polynomial equation reflecting the influence of factors on the level of negative impact of technologies and equations that determine the influence of sub-factors on factors.
Discussion and Conclusion. The created model can be used for practical purposes to support making decisions for planning, forecasting and selecting scenarios to modernize agricultural enterprises. The model equations make it possible to understand the significance of factors and sub-factors affecting the level of negative impact (diffuse load) on water bodies. This allows us to choose more effective ways to reduce the negative impact by choosing the most significant factors and/or sub-factors as objects of management.

Full Text

Введение

Современные сельхозпредприятия используют высокопроизводительные и энергоемкие технологии и технические средства, которые могут оказывать значительное негативное воздействие на окружающую среду. Одной из актуальных научных проблем является комплексное определение негативного влияния сельхозпроизводства на гидросферу. Эта задача осложняется большими площадями сельскохозяйственных полей, с которых происходит сток загрязняющих веществ, свойствами почвы, факторами, влияющими на интенсивность загрязнений. Такую диффузную (распределенную в пространстве) нагрузку практически невозможно измерить инструментальными методами ввиду больших площадей изучаемых объектов – сельскохозяйственных полей. Данная проблема особенно актуальна в бассейнах крупных водоемов, например в районе Балтийского моря, на территории которого расположены 9 государств, между которыми подписаны природоохранные соглашения. Традиционные природоохранные исследования, как правило, сфокусированы на проблеме влияния конкретных машинных технологий в определенных условиях. Получаемые в результате расчетные модели неприменимы для комплексной оценки влияния на водные объекты сельхозпроизводства в целом. Почти во всех существующих исследованиях по данной тематике рассматриваются более простые задачи выбора и сравнения критериев и методов оценки и не рассматривается задача прогнозирования негативного воздействия на окружающую среду.  Цель исследования – разработка математической модели, позволяющей оценивать и прогнозировать комплексное негативное воздействие технологий сельхозпроизводства на водные объекты.

Обзор литературы

Ряд современных российских и зарубежных исследований затрагивает эту научную проблему, однако чаще всего авторы ограничиваются постановкой частных вопросов [1; 2]. Другие авторы сравнивают конкретные методы оценки [3–6] и теоретико-методологические подходы к решению проблемы негативного влияния сельхозпроизводства [7–9]. Некоторые работы направлены на исследование и обоснование критериев оценки1 [10–12]. Важными вопросами являются анализ конкретных источников загрязнений внутри сельхозпредприятий [13–15] и изучение негативного воздействия отдельных видов загрязнений2 [16; 17].

Распространенной практикой является экспертная оценка выбранных показателей негативного воздействия [18; 19]. В то же время вопрос формализации зависимостей с получением конкретных расчетных формул применительно к влиянию технологий сельхозпроизводства на водные объекты в известных публикациях исследован мало. Часто исследователи фокусируются на конкретных, наиболее значимых с точки зрения негативного воздействия, машинных технологиях [20–23]. Некоторые авторы рассматривают проблему негативного воздействия сельхозпроизводства на региональном уровне3[24–26]. Также необходимо отметить, что почти все публикации на тему негативного воздействия сельхозпроизводства на окружающую среду направлены на оценку текущей ситуации и не рассматривают задачу прогнозирования [27–29]. В процессе поиска литературных источников авторами было найдено лишь четыре статьи, связанные с прогнозированием негативного воздействия сельхозпроизводства [11; 22; 30; 31]. Таким образом, научная новизна настоящего исследования состоит в комплексной оценке (учитывается не конкретная технология или вещество-загрязнитель, а воздействие в целом) негативного влияния на водные объекты и построении математической модели, пригодной для прогнозирования.

Материалы и методы

Для построения математической модели, необходимой для оценивания и прогнозирования негативного воздействия технологий сельхозпроизводства, был использован метод логико-лингвистического моделирования Спесивцева – Дроздова [31]. Данный подход содержит следующие действия: выбор и обоснование факторов, влияющих на изучаемое явление или объект и выбор целевой функции, для которой планируется определить формулу, раскрывающую ее зависимости от факторных переменных; определение диапазонов принимаемых значений (или перечня значений в случае качественных переменных) факторных переменных и формирование шкал оценки значений с использованием аппарата нечеткой логики; формирование опросных матриц; опрос экспертов (фиксация лингвистических значений целевой функции для сочетаний факторных значений и перевод из лингвистической в численную форму); обработка экспертных оценок методами регрессионного анализа; проверка адекватности полученной модели по коэффициенту детерминации (R2) и критерию Фишера; при необходимости (в случае низкого значения коэффициента детерминации) – дополнительная работа с экспертами для корректировки набора факторных переменных или корректировки значений экспертных оценок. Метод логико-лингвистического моделирования достаточно хорошо апробирован, в том числе при решении агроэкологических проблем [22; 31; 32]. Экспертами были обоснованы факторы и для некоторых (X4, X5, X6) были определены подфакторы. Методом логико-лингвистического моделирования Спесивцева – Дроздова получены полиномиальные уравнения, определяющие влияние подфакторов на факторы.

Опросная матрица для получения главного уравнения, необходимого для определения уровня негативного влияния сельхозпроизводства на водные объекты, представляет собой таблицу в виде полуреплики матрицы полнофакторного эксперимента (32 строки экспертных оценок). Уровень негативного влияния сельхозпроизводства на водные объекты определяется целевым показателем Y – уровень диффузной нагрузки, отражающий объем биогенных элементов, поступающих от сельхозпредприятия в водные объекты (кг/год). В качестве экспертов были привлечены 4 ученых, имеющих многолетний опыт участия в полевых исследованиях стоков с сельхозпредприятий в реки Ленинградской области. Регрессионный анализ был выполнен с помощью компьютерной программы Scilab 6.1.0.

Результаты исследования

В соответствии с выбранным методом логико-лингвистического моделирования был определен целевой показатель Y (1). В качестве 6 факторов, влияющих на уровень диффузной нагрузки, были выбраны следующие: X1 – применяемая технология внесения удобрений; X2 – применяемая технология обработки почвы; X3 – применяемые технологии очистки поверхностных, грунтовых и дренажных вод с полей; X4 – соблюдение агротехнологических требований; X5 – соблюдение агроэкологических требований; X6 – использование цифровых технологий в технологических процессах.

Фактор X1 подразумевает использование одной из 9 машинных технологий внесения жидкого (ЖОУ) или твердого (ТОУ) органического удобрения:

1) поверхностное разбрызгивание ЖОУ;

2) поверхностное разбрызгивание ЖОУ с последующей запашкой;

3) поверхностное ленточное внесение через шланговую систему;

4) поверхностное ленточное внесение через шланговую систему с башмаками;

5) внутрипочвенное внесение в открытые канавки;

6) внутрипочвенное внесение с последующим закрытием канавок;

7) внутрипочвенное внесение с применением культиватора;

8) внесение ТОУ разбрасыванием;

9) внесение ТОУ разбрасыванием с последующей запашкой.

В зависимости от выбранной технологии степень вымывания внесенных удобрений в водные объекты значительно варьируется.

Фактор X2 подразумевает выбор одной из пяти технологий обработки почвы: минимальная, нулевая, комбинированная, безотвальная, отвальная (классическая технология вспашки).

Фактор X3 отражает инженерные методы и технологии, применяемые на сельхозпредприятии для очистки поверхностных, грунтовых и дренажных вод с полей, и содержит 4 подфактора: изменение микрорельефа поля в зоне впадения стока в водные объекты (X3.1); изменение (конструирование) русла дренажных каналов с целью снижения скорости потока стоков (X3.2); высаживание в зоне поступления стоков растений, поглощающих биогенные элементы (X3.3); очистка системой отстойников с применением биологизированных фильтров (X3.4). 

В отличие от факторов X1 и X2, где зависимость определялась выбором одной из технологий перечня, фактор X3 содержит подфакторы, каждый из которых может принимать положительное (в случае применения данного инженерного метода или технологии) либо отрицательное (в случае неприменения) значение. Факторы X4, X5 и X6 аналогичным образом содержат подфакторы.

Фактор X4 (соблюдение агротехнологических требований) включает в себя следующие подфакторы:

1) соблюдение сроков внесения удобрений (вегетативные периоды) (подфактор X4.1);

2) выдерживание сроков запашки удобрений после внесения (подфактор X4.2);

3) учет природно-климатических условий (уровень солнечной радиации, ветер, давление, осадки) при определении сроков выполнения производственных процессов (подфактор X4.3);

4) соблюдение агрономически обоснованной дозы внесения удобрений (подфактор X4.4).

Фактор X5 (соблюдение агроэкологических требований) включает в себя 3 подфактора:

1) соблюдение сроков временного складирования органических удобрений (подфактор X5.1);

2) соблюдение экологически безопасного расстояния от места временного складирования органических удобрений до водных объектов (подфактор X5.2);

3) выбор типа почвы с минимальными фильтрационными свойствами для места временного складирования твердых органических удобрений (подфактор X5.3).

Фактор X6 (использование цифровых технологий в технологических процессах) включает в себя 3 подфактора:

1) наличие внедренной системы мониторинга, контроля и принятия решений для эффективной реализации технологий внесения удобрений (подфактор X6.1);

2) применение дифференцированного внесения удобрений в зависимости от типа почвы, расстояния до водных объектов, уклона полей, при-
родоохранного статуса земель и т. п. (подфактор X6.2)

3) использование цифровых паспортов полей (подфактор X6.3).

Данная совокупность факторов и подфакторов выбрана с учетом системного подхода к изучаемому явлению: факторы X1–X3 характеризуют применяемые машинные технологии; X4, X5 – применяемые управленческие решения. Фактор Х6 характеризует эффективность контроля выполнения технологических операций и позволяет точно оценивать эффект от принимаемых решений. Для каждой лингвистической переменной были разработаны индивидуальные шкалы.

Для целевой функции и каждой факторной переменной (X1–X6) были построены шкалы, позволяющие соотносить лингвистические оценки экспертов, численные значения показателей и логические значения (–1 и +1). На рисунке 1 показана шкала для целевой функции Y, которая содержит лингвистические значения.

 

 

 

Рис. 1. Оппозиционная шкала для значений целевой функции: Н – низкий уровень поступления загрязняющих веществ в водные объекты; НС – уровень поступления ниже среднего; С – средний уровень поступления; ВС – уровень поступления выше среднего;В – высокий уровень поступления загрязняющих веществ

Fig. 1. Oppositional scale for objective function values: L – low level of inputting pollutants in water bodies; BA – level of inputting pollutants in water bodies is below average; A – average level of inputting pollutants in water bodies;
AA – the level of inputting pollutants in water bodies is above average; H – high level of inputting pollutants in water bodies

 

В дальнейшем использовались более точные лингвистические значения. Например, НС-С – значение уровня загрязнения, расположенное между уровнем НС (ниже среднего) и С (средний) (BA-A – below average – average), и НСС-С – уровень загрязнения, расположенный между уровнем НС-С и С (BAA-A – level between “below average – average” and “average” levels).

Лингвистическому значению Н соответствует логическое значение –1 и численное значение 5 (кг/га в год) – минимальное количество вымываемых биогенных элементов в водные объекты. Аналогичным образом строятся оппозиционные шкалы для каждой факторной переменной X1–X6.

Далее была сформирована опросная матрица, в которой экспертам было необходимо оценить негативное воздействие в зависимости от различных сочетаний значений выбранных факторов. Полная матрица содержит 32 строки сочетаний факторных значений, фрагмент заполненной матрицы представлен в таблице.

 

Таблица Опросная матрица для сбора экспертных оценок (фрагмент)

Table Questionnaire matrix for collecting expert assessments (fragment)

 

X1

X2

X3

X4

X5

X6

Yling

Ychisl

–1

–1

–1

–1

–1

–1

Н / L

86,7383

1

–1

–1

–1

–1

1

С-СВС / A-AAA

48,6525

–1

1

–1

–1

–1

1

НСС-С / BAA-A

57,4415

1

1

–1

–1

–1

–1

НС-С / BA-A

55,6837

–1

–1

1

–1

–1

1

С-СВС / A-AAA

54,5117

1

–1

1

–1

–1

–1

С / A

52,7539

–1

1

1

–1

–1

–1

НСС-С / BAA-A

61,5429

1

1

1

–1

–1

1

ВС-В / AA-H

23,4571

–1

–1

–1

1

–1

1

НС-НСС / BA-BAA

62,7149

1

–1

–1

1

–1

–1

НСС-С / BAA-A

60,9571

–1

1

–1

1

–1

–1

Н-НС / L-BA

69,7461

1

1

–1

1

–1

1

ВСВ-В / AAH-H

31,6603

–1

–1

1

1

–1

–1

НСС-С / BAA-A

66,8163

1

–1

1

1

–1

1

ВС / AA

28,7305

–1

1

1

1

–1

1

С-СВС / A-AAA

37,5195

1

1

1

1

–1

–1

ВС / AA

35,7617

 

Столбцы X1–X6 заполнены логическими значениями –1 и +1 (соответствующими минимальным и максимальным значениям факторных переменных) согласно с положением метода Спесивцева – Дроздова. Эксперты заполнили матрицу лингвистическими оценками Yling, после чего они были переведены в численную форму Ychisl с помощью шкалы Y (рис. 1).

Далее, проведя регрессионный анализ для столбца Ychisl, получаем полиномиальное выражение, отражающее влияние факторов на уровень негативного воздействия на водные объекты:

Y = 47,4805 – 9,9609X1 – 5,5664X2 – 7,0313X3 – 2,9297X4 – 4,6875X5 – 9,082X6.          (1)

Адекватность модели была подтверждена с помощью коэффициента детерминации (R2) и критерия Фишера. Было установлено, что R2 = 91,44 %, то есть 91,44 % общей вариабельности Y объясняется изменением факторов X1–X6, что делает уравнение статистически значимым.

Аналогичным образом (путем формирования, заполнения и обработки опросных матриц) для факторов X3–X6 были получены соответствующие полиномиальные уравнения, отражающие взаимосвязь между подфакторами и факторами:

Х3 = 0,0719 + 0,125X3.1 + 0,1406X3.2 + 0,2813X3.3 + 0,5313X3.4, (2)

Х4 = 0,04688 + 0,2656X4.1 + 0,3125X4.2 + 0,125X4.3 + 0,375X5.4, (3)

Х5 = 0,125 + 0,125X5.1 + 0,5938X5.2 + 0,25X5.3,       (4)

Х6 = 0,1875 + 0,375X6.1 + 0,4375X6.2 + 0,1875X6.3.      (5)

Обсуждение и заключение

Полученная модель, состоящая из уравнений (1)–(5), может быть использована в практических целях для планирования, прогнозирования и модернизации сельхозпредприятий. Уравнения модели позволяют понять значимость факторов и подфакторов, влияющих на уровень негативного воздействия (диффузную нагрузку) на водные объекты. Важность каждого критерия может быть оценена на основе соответствующего весового коэффициента. Например, весовой коэффициент X1 имеет значение 9,9609, что в 3,4 раза больше значения весового коэффициента X4. Из этого можно сделать вывод, что значимость фактора X1 в 3,4 раза больше, чем фактора X4. Следовательно, замена технологии внесения удобрений (фактор X1) в 3,4 раза более эффективна, чем улучшение соблюдения агротехнологических требований (фактор X4).

На рисунке 2 показано сравнение всех весовых коэффициентов формулы (1), из которого следует, что наиболее значимым фактором негативного воздействия сельхозпроизводства на водные объекты является фактор X1 (технология внесения удобрений), чуть меньшую значимость имеет фактор X6 (использование цифровых технологий в технологических процессах), наименьшее значение имеет фактор X4 (соблюдение агротехнологических требований без нарушения норм и требований законодательства).

 

 
 
Рис. 2. Сравнение весовых коэффициентов факторных переменных

Fig. 2. Comparison of weighting coefficients of factor variables
 

Использование созданной модели позволяет производить оценку текущего негативного воздействия сельхозпроизводства на водные объекты и прогнозировать уровень негативного воздействия, используя в качестве исходных данных ожидаемые в будущем значения факторных переменных, а также выбирать более эффективные пути снижения негативного воздействия путем выбора в качестве объектов воздействия наиболее значимых факторов и/или подфакторов.

 

 

1           Agricultural Impacts on Landscapes: Developing Indicators for Policy Analysis // Proceedings from NIJOS/OECD Expert Meeting on Agricultural Landscape Indicators in Oslo, Norway October 7-9, 2002 / W. Dramstad, Ch. Sogge (eds.). Oslo: NIBIO, 2003. 347 p. URL: https://nibio.brage.unit.no/nibio-xmlui/handle/11250/2558838?locale-attribute=en (дата обращения: 01.09.2020); Environmental Indicators for Agriculture. Vol. 3: Methods and Results [Электронный ресурс]. 2001. 409 p. URL: https://www.oecd.org/greengrowth/sustainable-agriculture/1916629.pdf (дата обращения: 01.09.2020).

2           Selecting Manure Management Technologies to Reduce Ammonia Emissions from Big Livestock Farms in the Northwestern Federal District of Russia / D. A. Maximov [et al.] // Ammonia Workshop 2012 Saint Petersburg: Abating Ammonia Emissions in the UNECE and EECCA Region / K. W. Van der Hoek, N. P. Kozlova (eds.). Bilthoven, 2014. Pp. 161–168. URL: https://unece.org/fileadmin/DAM/env/documents/2014/AIR/WGSR/St.Peterburg_WS_Ammonia_proceedings_2012.pdf (дата обращения: 01.09.2020).

3           Baker E., Boileau P., Beaudoin Y. Guidelines for Conducting Integrated Environmental Assessments [Электронный ресурс]. 2018. URL: https://www.researchgate.net/publication/327498509_Guidelines_for_conducting_Integrated_Environmental_Assessments (дата обращения: 01.09.2020).

 

×

About the authors

Igor A. Subbotin

Institute for Engineering and Environmental Problems in Agricultural Production ‒ Branch of Federal Scientific Agroengineering Center VIM

Author for correspondence.
Email: itmo1652@mail.ru
ORCID iD: 0000-0002-6189-9385
ResearcherId: L-6130-2015

Researcher at the Department of Engineering Ecology of Agricultural Production

Russian Federation, 3 Filtrovskoye Shosse, Saint Petersburg 196625

Eduard V. Vasilev

Institute for Engineering and Environmental Problems in Agricultural Production ‒ Branch of Federal Scientific Agroengineering Center VIM

Email: sznii6@yandex.ru
ResearcherId: C-1304-2018

Senior Researcher at the Department of Engineering Ecology of Agricultural
Production, Cand.Sc. (Engineering)

Russian Federation, 3 Filtrovskoye Shosse, Saint Petersburg 196625

References

  1. Bayramukova S.R., Mesharova V.Yu. [The Impact of Agricultural Enterprises on the Environment].Strategiya ustoychivogo razvitiya regionov Rossii = Strategy for Sustainable Development of Russian Regions. 2015; (29):52-55. Available at: https://clck.ru/U2G3o (accessed 01.09.2020). (In Russ.)
  2. Stepanova L.P., Tsyganok Ye.N., Tikhoykina I.M. [Ecological Problems of Agriculture].Vestnik OrelGAU = Vestnik OrelGAU (Bulletin of Agrarian Science). 2012; (1):11-17. Available at: https://cyberleninka.ru/article/n/ekologicheskie-problemy-zemledeliya (accessed 01.09.2020).(In Russ., abstract in Eng.)
  3. Afanassiev V.N., Kozlova N.P., Afanassiev A.V. Reducing Negative Environmental Impact of Machine-Based Technologies in Agriculture. Tekhnologii i tekhnicheskie sredstva mekhanizirovannogo proizvodstva produktsii rastenievodstva i zhivotnovodstva = Technologies and Technical Means for Mechanized Production of Crop and Livestock Products. 2013; (84):133-141. Available at: https://www.elibrary.ru/item.asp?id=22677100 (accessed 01.09.2020). (In Russ., abstract in Eng.)
  4. Popov V.D., Maksimov D.A., Bryukhanov A.Yu. Agricultural Production Ecology: Problems and Solutions. Selskohozajstvennye mashiny i tehnologii = Agricultural Machinery and Technologies. 2016;(3):43-48. Available at: https://www.vimsmit.com/jour/article/view/138 (accessed 01.09.2020). (In Russ.,abstract in Eng.)
  5. Werf H.M.G., Petit J. Evaluation of the Environmental Impact of Agriculture at the Farm Level:A Comparison and Analysis of 12 Indicator-Based Methods. Agriculture, Ecosystems & Environment.2002; 93(1-3):131-145. (In Eng.) DOI: https://doi.org/10.1016/S0167-8809(01)00354-1
  6. Nooteboom S., Wieringa K. Comparing Strategic Environmental Assessment and Integrated Environmental Assessment. Journal of Environmental Assessment Policy and Management. 2012;1(4):441-457. (In Eng.) DOI: https://doi.org/10.1142/S146433329900034X
  7. Agelebe D., Prityi M., Nielsen J. Environmental Impact Assessment Systems. In: K.W. Junker, ed.Environmental Law Across Cultures. 1st ed. London: Routledge; 2019. 41 p. (In Eng.) DOI: https://doi.org/10.4324/9780429397615
  8. Orlova I.V., Sharabarina S.N. [Assessment of Agricultural Impact on Natural Systems: Theoreticaland Methodological Approaches]. Geografiya i prirodnye resursy = Geography and Natural Resources.2015; (4):26-32. Available at: http://www.izdatgeo.ru/journal.php?action=output_more&id=3&lang_num=1&year=2015&issue=4&nodoi=1&page=26 (accessed 01.09.2020). (In Russ., abstract in Eng.)
  9. Canter L.W. Environmental Impact of Agricultural Production Activities. 1st ed. Boca Raton: CRC Press; 1986. 400 p. (In Eng.) DOI: https://doi.org/10.1201/9781351071796
  10. Fletcher P., Kelble Ch., Nuttle W., Kiker G. Using the Integrated Ecosystem Assessment Framework to Build Consensus and Transfer Information to Managers. Ecological Indicators. 2014; 44:11-25.(In Eng.) DOI: https://doi.org/10.1016/j.ecolind.2014.03.024
  11. Brentrup F., Küsters J., Kuhlmann H., Lammel J. Environmental Impact Assessment of Agricultural Production Systems Using the Life Cycle Assessment Methodology: I. Theoretical Concept of a LCA Method Tailored to Crop Production. European Journal of Agronomy. 2004; 20(3):247-264. (In Eng.)DOI: https://doi.org/10.1016/S1161-0301(03)00024-8
  12. Bryukhanov A.Yu., Shalavina Ye.V., Vasilev E.V., Oblomkova N.S. Indicators of Negative Environmental Impact in Agri-Food Production. Tekhnologii i tekhnicheskie sredstva mekhanizirovannogo proizvodstva produktsii rastenievodstva i zhivotnovodstva = Technologies and Technical Means for Mechanized Production of Crop and Livestock Products. 2019; (2):250-260. (In Russ., abstract in Eng.)DOI: https://doi.org/10.24411/0131-5226-2019-10170
  13. Sousa P., Gomes D., Formigo N. Ecosystem Services in Environmental Impact Assessment. Energy Reports. 2020; 6(1):466-471. (In Eng.) DOI: https://doi.org/10.1016/j.egyr.2019.09.009
  14. Wu J., Chang I.-S. Environmental Impact Assessment. In: Environmental Management in China.Singapore: Springer; 2020. p. 35-62. (In Eng.) DOI: https://doi.org/10.1007/978-981-15-4894-9_4
  15. Su D., Smith J., Wu Y., Ren Z. Environmental Impact Assessment of Farming with Combined Methods of Life Cycle Assessment and Farm Carbon Calculator. In: D. Su, ed. Sustainable Product Development. Cham: Springer; 2020. p. 249-270. (In Eng.) DOI: https://doi.org/10.1007/978-3-030-39149-2_12
  16. Gomiero T., Pimentel D., Paoletti M.G. Environmental Impact of Different Agricultural Management Practices: Conventional vs. Organic Agriculture. Critical Reviews in Plant Sciences. 2011;30(1-2):95-124. (In Eng.) DOI: https://doi.org/10.1080/07352689.2011.554355
  17. Ferro V. Soil Sediment Loading and Related Environmental Impacts from Farms. In: Oxford Research Encyclopedias. 2017. (In Eng.) DOI: https://doi.org/10.1093/acrefore/9780199389414.013.267
  18. Briukhanov A., Vasilev E., Kozlova N., et al. Environmental Assessment of Livestock Farms in the Context of BAT System Introduction in Russia. Journal of Environmental Management. 2019;246:283-288. (In Eng.) DOI: https://doi.org/10.1016/j.jenvman.2019.05.105
  19. Li Y. Agricultural Production Mode and Its Environmental Impact. In: Y. Zhang, ed. EnvironmentalEconomics Research and China’s Green Development Strategy. 2020. (In Eng.) DOI: https://doi.org/10.1142/9789811202919_0006
  20. Karayel D., Sarauskis E. Environmental Impact of No-Tillage Farming. Environmental Research,Engineering and Management. 2019; 75(1). 6 p. (In Eng.) DOI: https://doi.org/10.5755/j01.erem.75.1.20861
  21. Gridnev P.I., Gridneva T.T., Shvedov A.A. Methodology of Manure Cleaning and Preparation for Using Systems’ Ecological Assessment. Vestnik VNIIMZh = Journal of VNIIMZH. 2018; 2:159-167. Available at: http://www.vniimzh.ru/images/material/Magazines/n30.pdf (accessed 01.09.2020). (In Russ., abstract in Eng.)
  22. Briukhanov A.Yu., Trifanov A.V., Spesivtsev A.V., et al. Logical-Linguistic Model of Farm Organic Waste Recycling. In: 2017 XX IEEE International Conference on Soft Computing and Measurements(SCM). St. Petersburg: IEEE; 2017. p. 265-267. (In Eng.) DOI: https://doi.org/10.1109/SCM.2017.7970556
  23. Peigné J., Girardin P. Environmental Impacts of Farm-Scale Composting Practices. Water, Air, and Soil Pollution. 2004; 153:45-68. (In Eng.) DOI: https://doi.org/10.1023/B:WATE.0000019932.04020.b6
  24. Safa G., Najiba C., El Houda B.N., et al. Assessment of Urban Groundwater Vulnerability in Arid Areas: Case of Sidi Bouzid Aquifer (Central Tunisia). Journal of African Earth Sciences. 2020; 168.(In Eng.) DOI: https://doi.org/10.1016/j.jafrearsci.2020.103849
  25. Novikov N.N., Sorokin N.T., Grachev N.N., et al. Environmental Hazards and Labour Protection in Agriculture with the Organic Farming Development: A Model of Integrated Assessment. Yug Rossii:ekologiya, razvitie = South of Russia: Ecology, Development. 2019; 14(2):99-119. (In Russ., abstract in Eng.) DOI: https://doi.org/10.18470/1992-1098-2019-2-99-119
  26. Mulyk T. Environmental Impact Assessment of Agriculture: A Regional Aspect. Modern Economics.2020; 19:135-142. (In Eng.) DOI: https://doi.org/10.31521/modecon.V19(2020)-22
  27. Li Sh., Huang B., Zhao F., et al. Environmental Impact Assessment of Agricultural Production in Chongming Ecological Island. The International Journal of Life Cycle Assessment. 2019; 24:1937-1947.(In Eng.) DOI: https://doi.org/10.1007/s11367-019-01614-w
  28. O’Higgins T., Farmer A., Daskalov G., et al. Achieving Good Environmental Status in the Black Sea: Scale Mismatches in Environmental Management. Ecology and Society. 2014; 19(3):54. (In Eng.)DOI: https://doi.org/10.5751/ES-06707-190354
  29. Mushtaq B., Bandh S.A., Shafi S. Environmental Education and Environmental Impact Assessment.In: Environmental Management. Singapore: Springer; 2020. p. 95-148. (In Eng.) DOI: https://doi.org/10.1007/978-981-15-3813-1_3
  30. Yakunin D.A., Musaelyan S.M. [Projections of Climate Change Impacts on Agriculture in the Lower Volga Region]. Izvestiya Nizhnevolzhskogo agrouniversitetskogo kompleksa: nauka i vysshee professionalnoe obrazovanie = News of the Nizhnevolzhsk Agro-University Complex: Science and Higher Professional Education. 2011; (2):80-86. Available at: https://www.elibrary.ru/item.asp?id=16452689 (accessed 01.09.2020). (In Russ.)
  31. Briukhanov A.Yu., Trifanov A.V., Spesivtsev A.V., et al. Logical-Linguistic Modeling in Addressing Agro-Environmental Challenges. In: 2016 XIX IEEE International Conference on Soft Computing and Measurements (SCM). St. Petersburg: IEEE; 2016. p. 164-166. (In Eng.) DOI: https://doi.org/10.1109/SCM.2016.7519716
  32. Briukhanov A.Yu., Subbotin I.A., Timofeev E.V., Erk A.F. Energy and Environment Assessment of Agricultural Application of Power Generating Sources. Inzhenernyye tekhnologii i sistemy = Engineering Technologies and Systems. 2019; 29(3):366-382. (In Russ., abstract in Eng.) DOI: https://doi.org/10.15507/2658-4123.029.201903.366-382

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Oppositional scale for objective function values: L – low level of inputting pollutants in water bodies; BA – level of inputting pollutants in water bodies is below average; A – average level of inputting pollutants in water bodies; AA – the level of inputting pollutants in water bodies is above average; H – high level of inputting pollutants in water bodies

Download (25KB)
Indexing metadata
3. Fig. 2. Comparison of weighting coefficients of factor variables

Download (31KB)
Indexing metadata

Copyright (c) 2025 Subbotin I.A., Vasilev E.V.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Founded in 1990
Certificate of registration PI № FS77-74640 of December 24 2018.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».