Wydawnictwo
Uniwersytetu Przyrodniczego w Poznaniu

Powiązanie aspektów gospodarki rolnej z zasadami ochrony środowiska oraz ekonomią jest możliwe w przypadku dobrego zdiagnozowania problemów w sektorze rolnym. Podstawą diagnozy powinny być przede wszystkim rzetelne dane, jak również szeroko zakrojony monitoring gospodarstw, który będzie kompleksowo analizował cechy każdego z nich. Obecnie w Unii Europejskiej oraz wielu krajach na świecie do monitoringu produkcji rolniczej wykorzystuje się bilans składników biogennych. Uwzględnia on jednak tylko część obiegu składników w gospodarstwie. Wiele elementów funkcjonowania gospodarstwa, z którymi mogą wiązać się straty składników, zostaje pominięta w tego typu narzędziach. Żeby móc działać skutecznie w zakresie ochrony, ale także rekultywacji środowiska na obszarach wiejskich, w tym również przywracania wartości ekosystemów, które sąsiadują z rolniczą przestrzenią produkcyjną, monitoring musi ujmować wszystkie elementy newralgiczne w gospodarstwie, z którymi jest związane rozpraszanie zanieczyszczeń do środowiska. Bez tego nie uda się osiągnąć poziomów referencyjnych stanu wód, powietrza czy gleb. Będzie się to wiązało z niedotrzymaniem terminów i uzgodnień międzynarodowych w zakresie osiągnięcia i utrzymania standardów środowiskowych. Dlatego sprawny, prosty i skuteczny monitoring produkcji rolnej, zarówno w skali gospodarstwa, regionu, jak i kraju czy grupy państw, powinien być ważnym elementem w poprawie stanu środowiska i przyrody na obszarach wiejskich.

[ze Wstępu]

Celem ogólnym jest ocena możliwości zastosowania hybrydowego systemu monitorowania gospodarstw rolnych i ich wpływu na środowisko, natomiast szczegółowe obejmowały ocenę możliwości typowania klas presji oraz ocenę presji gospodarstw o różnej specjalizacji na środowisko z wykorzystaniem Systemu Szybkiej Identyfikacji, ocenę spójności wewnętrznej i rzetelności pomiaru proponowanego systemu monitoringu i ocenę trendów zmian, zachodzących w gospodarstwach indywidualnych w czasie.
Badaniami objęto 1226 indywidualnych gospodarstw rolnych, zróżnicowanych pod względem obszarowym, struktury gruntów oraz specjalizacji. Dane zostały zebrane bezpośrednio w gospodarstwach rolnych z wykorzystaniem autorskiej ankiety i dotyczyły lat 2001–2019. Gospodarstwa zlokalizowane były w 717 miejscowościach, w 270 gminach i w 14 województwach. Poddano je ocenie bonitacyjnej na podstawie Systemu Szybkiej Identyfikacji gospodarstw (SSI). Analizy oparto na dwóch wyróżnionych w systemie modułach – produkcyjnym oraz techniczno-technologicznym. W pracy wytypowano klasy presji na środowisko oraz grupy gospodarstw o określonej presji metodą TOPSIS, przeanalizowano spójność skal cząstkowych wykorzystywanych w modułach SSI.
Oceniono również jednorodność modułów (analizy wielowymiarowe). Podziału gospodarstw na klasy wykonano również z użyciem uczenia maszynowego (machine learning), przy wykorzystaniu sztucznej sieć neuronowej (tzw. klasyfikator Kohonena). Uzyskane wyniki dla obu modułów oraz syntetycznego wskaźnika SSI poddano również analizie trendów zmian w czasie, w przyjętych czterech okresach, wynikających z realizacji tzw. Programów działań. Na podstawie przeprowadzonych badań wyróżniono klasy gospodarstw o różnej presji. Selektywna analiza modułów pokazała, że można je analizować oddzielnie, wskazując na problemy w obrębie jednego z modułów. Szczegółowa analiza grup specjalizacyjnych  gospodarstw (w pracy wyróżniono 16 grup), z wykorzystaniem zarówno metody TOPSIS jak i sztucznych sieci neuronowych, wskazuje na wysoką presję gospodarstw specjalizujących się w chowie lub hodowli bydła (GB) oraz z niską obsadą inwentarza (G ≤0,15 DJP·ha–1). Szansa na wysoki wynik, szczególnie w module środowiskowym, wzrastała również, jeśli gospodarstwo specjalizowało się w chowie drobiu (GD).
Szczegółowa analiza SSI wykazała, że zaproponowany system, charakteryzuje się spójnością wewnętrzną skal wykorzystywanych w obu jego modułach. Każda z inwentaryzowanych skal ma podobne znaczenie dla SSI, a wyniki wskazują, że wskaźnik ten mierzy presję jednorodnie. Przeprowadzone badania wykazały, że nie można stworzyć podziału skal lepszego niż zaproponowany na dwa moduły – produkcyjny i tech-tech. Zdolność systemu do wykonywania spójnych pomiarów oraz oceny trafności i precyzji w interpretacji danych kształtuje się więc na zadowalającym poziomie.
Na podstawie wykonanych analiz można stwierdzić, że parametry modułu środowiskowego mają większy wpływ na różnicowanie gospodarstw, ale wyniki dla modułu tech-tech kształtują się w szerszym zakresie. Wyniki modułów opierają się na różnych miarach, co świadczy o komplementarności systemu. Na podstawie uzyskanych wyników można wnioskować, że system SSI sprawdza się w analizach czasowych i wskazuje na pewne trendy w indywidualnych gospodarstwach rolnych.

Wstęp
1. Przegląd literatury

2. Cel pracy i hipotezy badawcze

3. Obszar, materiał badań i metodyka
3.1. Materiał badawczy
3.2. Założenia do budowy Systemu Szybkiej Identyfikacji (SSI) presji
gospodarstw na środowisko
3.3. Metodyka wyodrębniania gospodarstw rolnych o zróżnicowanej presji
na środowisko
3.4. Analiza spójności skal
3.5. Analizy wielowymiarowe
3.6. Analizy z wykorzystaniem uczenia maszynowego
3.7. Analiza trendów zmian w czasie

4. Wyniki badań i dyskusja wyników
4.1. Specjalizacja gospodarstw rolnych
4.2. Wyniki typowania klas presji na środowisko w analizowanych modułach
4.3. Wyniki syntetycznej oceny presji gospodarstw rolnych na środowisko
4.4. Grupowanie i charakterystyka gospodarstw na podstawie klas modułu
produkcyjnego i techniczno-technologicznego
4.5. Wyniki analizy spójności wewnętrznej systemu
4.6. Wyniki analiz wielowymiarowych – gęstość rozkładu zmiennych losowych
4.7. Wyniki analiz z wykorzystaniem uczenia maszynowego
4.8. Analiza grup typologicznych gospodarstw na podstawie skupień
wyznaczonych za pomocą sztucznej sieci neuronowej
4.9. Ocena przydatności Systemu Szybkiej Identyfikacji do analiz trendów
zmian w długich okresach czasowych
4.10. Możliwości aplikacyjne systemu

5. Wnioski

Literatura

Załączniki

The general objective is to assess the possibility of using a hybrid system for monitoring farms and their impact on the environment. Specific objectives included the assessment of the possibility of typing pressure classes and the assessment of the pressure of farms of various specialization on the environment with the use of a Rapid Identification System, the assessment of internal consistency and measurement reliability of the proposed monitoring system and the assessment of changes trends in individual farms over time. The research covered 1,226 individual farms, diversified in terms of area, land structure and specialization. The data was collected directly on farms using a proprietary survey and covered the years 2001–2019. Farms were located in 717 towns, 270 communes and 14 voivodeships. They were subjected to valuation assessment based on the Rapid Identification System (RIS). The analyzes were based on two modules distinguished in the system – the production module and the technical and technological module. In the work, classes of pressure on the environment were selected
and groups of farms with a specific pressure were selected using the TOPSIS method, and the coherence of partial scales used in RIS modules was analyzed. Module homogeneity was assessed (multivariate analyses), as well. The division of farms into classes was also performed with the use of machine learning, using an artificial neural network (the so-called Kohonen classifier). The results obtained for both modules and the synthetic RIS indicator were also subject to an analysis of trends of changes over time, in the adopted four periods, resulting from the implementation of the so-called Action Programmes. On the basis of the research, classes of farms with different pressures were distinguished. Selective analysis of the modules showed that they can be analyzed separately, pointing to problems within one of the modules. A detailed analysis of specialization groups of farms (16 groups were distinguished in the paper), using both the TOPSIS method and artificial neural networks, indicates a high pressure on farms specializing in cattle breeding (GB) and with low stocking density (G ≤0.15 LU·ha-1). The chance for a high score, especially in the environmental module, also increased if the farm specialized in poultry production (GD).
A detailed analysis of the RIS showed that the proposed system is characterized by internal consistency of the scales used in both modules. Each of the inventoried scales has a similar meaning for the RIS, and the results show that this indicator measures pressure uniformly. The conducted research showed that it is impossible to create a better division of scales than the proposed one into two modules - production and tech-tech. The ability of the system to perform consistent measurements and assess the accuracy and precision in data interpretation is therefore at a satisfactory level. Based on the performed analyses, it can be concluded that the parameters of the environmental module have a
greater impact on the differentiation of farms, but the results for the tech-tech module are in a wider range. The results of the modules are based on different measures, which proves the complementarity of the system. Based on the obtainew2d results, it can be concluded that the RIS system works well in time analyzes and indicates certain trends in individual farms.