Projekt współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego AGROINŻYNIERIA GOSPODARCE

Ekspertyza Komputerowe systemy wspomagania

decyzji w zarządzaniu

gospodarstwem rolniczym

Dr inż. Radosław J. Kozłowski Prof. dr hab. Jerzy Weres

Dr inż. Janina Rudowicz-Nawrocka Zakład Informatyki Stosowanej

Instytut Inżynierii Rolniczej Uniwersytet Przyrodniczy w Poznaniu

Poznań 2011

Publikacja dostępna w serwisie: www.agengpol.pl

2

Spis tre ści 1. Wstęp .............................................................................................................................. 2 2. Geneza oraz rozwój komputerowych systemów wspomagania decyzji ............................ 4

2.1. Interakcja jako podstawa systemów doradczych ...................................................... 4 2.2. Systemy ekspertowe oraz sztuczna inteligencja w analizie decyzyjnej .................... 5

3. Wprowadzenie do systemów wspomagania decyzji ......................................................... 7 3.1. Rodzaje systemów wspomagania decyzji ................................................................ 7 3.2. Struktura systemów wspomagania decyzji ............................................................... 8

3.2.1. Klasyczne systemy wspomagania decyzji ....................................................... 9 3.2.2. Inteligentne systemy wspomagania decyzji ...................................................12

4. Rodzaje systemów wspomagania decyzji stosowanych w rolnictwie ...............................14 5. Kierunki badań oraz praktycznego wykorzystania systemów decyzyjnych w rolnictwie ...16

5.1. Kierunki rozwoju praktycznego wspomagania decyzji w rolnictwie ..........................16 5.2. Analiza obszarów zastosowania systemów wspomagania decyzji w rolnictwie .......17

5.2.1. Publikacje naukowe i popularno-naukowe .....................................................18 5.2.2. Dostępne w Polsce systemy wspomagające podejmowanie decyzji ..............22

6. Wybrane aplikacje oraz systemy wspomagania zarządzania gospodarstwem rolniczym 22 6.1. Afifarm – zarządzanie stadem bydła mlecznego .....................................................23 6.2. Agrar-Office – kompleksowe zarządzanie gospodarstwem .....................................23 6.3. AgroAsystent – zarządzanie produkcją roślinną ......................................................24 6.4. AgroPomiarGPS – pomiar powierzchni pola i zarządzanie areałem ........................25 6.5. AgroSystem – zarządzanie produkcją, obsługa wniosków o dopłaty .......................25 6.6. AlPro – zarządzanie stadem bydła mlecznego ........................................................26 6.7. AnaPig – ocena użytkowości zwierząt i zarządzanie hodowlą.................................27 6.8. Bitfarma – ewidencjowanie zdarzeń i zarządzanie produkcją rolniczą .....................28 6.9. Biogaz – analiza opłacalności działania biogazowni ...............................................29 6.10. BiOBkalkulator – zarządzanie produkcją i przetwarzaniem biomasy ..................29 6.11. FarmWorks Office – zarządzanie produkcją polową ...........................................30 6.12. Internetowy System Sygnalizacji Agrofagów ......................................................31 6.13. Internetowy SWD dla integrowanej ochrony roślin ..............................................32 6.14. Liz-Herbicyd – optymalizacja zastosowania herbicydów i graminicydów ............33 6.15. Nawsald – sporządzanie planów nawożenia w gospodarstwach rolnych ............33 6.16. Obora – zarządzanie gospodarstwem hodowlanym objętym oceną użytkowości34 6.17. OTR-7 - programowanie techniki w gospodarstwach rolnych .............................35 6.18. prosPlant – wspomaganie ochrony roślin uprawnych .........................................36 6.19. Predykcja plonu i zawartości skrobi dla bulw ziemniaków ..................................38 6.20. Ramzes AGRO – wspomaganie rachunkowości w gospodarstwie .....................39 6.21. SYMLEK – ocena użytkowości oraz ocena hodowlana krów i buhajów ..............40 6.22. WinPasze – bilansowanie i optymalizacja receptur paszowych ..........................40 6.23. ZeaSoft – wspomaganie integrowanej uprawy kukurydzy ..................................41 6.24. Ziarbit – analiza procesów suszenia i przechowywania ziarna zbóż ...................42 6.25. Zootechnik – zarządzanie stadem bydła w produkcji mlecznej i mięsnej ............43

7. Podsumowanie ...............................................................................................................43 8. Bibliografia ......................................................................................................................45

8.1. Literatura cytowana ................................................................................................45 8.2. Literatura elektroniczna - aplikacje doradcze dla rolnictwa ......................................46

9. Lista wybranych prac naukowych z zakresu zastosowania SWD w rolnictwie .................47

3

1. Wstęp

Zmieniająca się sytuacja rynkowa, konieczność dostosowania efektów produkcji rolniczej do restrykcyjnych wymogów jakościowych wymusza na rolnikach konieczność ciągłego pozyskiwania i przetwarzania dużych ilości informacji. Ilość wiedzy dotyczącej prowadzenia produkcji rolniczej ciągle rośnie. Duże zróżnicowanie prac w gospodarstwie rolniczym wymaga od przedsiębiorcy interdyscyplinarnej wiedzy z takich dziedzin jak agronomia, agrotechnika, mechanizacja, rachunkowość, zarządzanie itp. Ważnym jest więc pozyskiwanie dobrych źródeł informacji pozwalających na wspomaganie rolnika w podejmowaniu trafnych decyzji.

Decyzje, które podejmuje rolnik obarczone są dużym ryzykiem i niepewnością a ich zakres jest bardzo szeroki. Dostęp do fachowej wiedzy redukuje tą niepewność. W skład decyzji wchodzą długoterminowe decyzje strategiczne (określenie kierunków działalności, analiza inwestycji), średnioterminowe decyzje taktyczne (definiujące szczegółowe wytyczne na podstawie decyzji ogólnych) oraz decyzje związane z codziennymi działaniami operacyjnymi. Pierwotne metody doradcze bazujące na intuicji oraz doświadczeniu w danej dziedzinie są obecnie niewystarczające. Tradycyjne techniki przetwarzania i analizy dostępnych danych obarczone są dużymi ograniczeniami związanymi ze stosunkowo małą liczbą możliwych do przeanalizowania alternatywnych rozwiązań oraz zbyt długim czasem przeprowadzenia tych analiz [Turban i in. 2001]. Dzięki rozwojowi technik komputerowych możliwe stało się wsparcie tego procesu dzięki zastosowaniu dedykowanego tym celom oprogramowaniu. Początkowo rola tych systemów ograniczała się do gromadzenia i przechowywania informacji obecnie pozwalają one także na jej przetwarzanie [Matthews i in. 2008].

Zadaniem komputerowych systemów doradczych jest wspomaganie rolnika w podjęciu optymalnej w jego sytuacji decyzji. Rolą takich systemów jest gromadzenie, przetwarzanie oraz dostarczanie informacji ułatwiających podejmowanie złożonych decyzji wymagających fachowej wiedzy. Systemy te bazują najczęściej na analitycznych i logicznych modelach, które pozwalają na lepsze zrozumienie problemu decyzyjnego, określenie logicznych rezultatów decyzji oraz wskazaniu optymalnego sposobu działania. Systemy takie nie podejmują decyzji samodzielnie ich podstawową rolą jest zautomatyzowanie najbardziej praco- i czasochłonnych zadań podejmowanych w ramach procesu podejmowania decyzji [Mallach 1994].

Obok tradycyjnych systemów wspomagania decyzji, zajmujących się gromadzeniem i dostarczaniem do użytkownika informacji, obecnie dostępne są także systemy ekspertowe (ang. Expert Systems) implementujące wybrane metody sztucznej inteligencji wspomagające ich przetwarzanie i analizę. W wyniku połączenia tych technologii uzyskujemy inteligentne systemy wspomagania decyzji (ang. Inteligent Decision Support Systems) zwane też systemami wspomagania decyzji opartymi na wiedzy (ang. Knowledge-based Decision Support Systems). Systemy te gromadzą wiedzę eksperta w bazach wiedzy w postaci zbioru reguł i faktów. A dedykowane moduły ekspertowe dostarczają odpowiednich metod pozwalających na formułowanie ekspertyz oraz analizę płynących z niej wniosków [Shim i in. 2002].

Wykorzystanie komputerowych systemów wspomagania decyzji w rolnictwie obejmuje ich zastosowanie na wszystkich etapach zarządzania gospodarstwem począwszy od określenia kierunku produkcji, poprzez zarządzanie różnymi aspektami związanymi z prowadzoną uprawą lub hodowlą, aż do zarządzania procesem przechowywania i zbytu. Rozwój sektora rolniczego związany jest przede wszystkim z wprowadzaniem nowych technologii, wykorzystaniem nowych odmian roślin oraz nowych ras zwierząt hodowlanych, nowych doskonalszych nawozów oraz środków ochrony roślin, nowych systemów uprawy oraz znacznego wzrostu wykorzystania nowoczesnych maszyn i urządzeń rolniczych stosowanych w rolnictwie precyzyjnym. I to w tych obszarach systemy doradcze znajdują największe zastosowanie.

W ramach jednego gospodarstwa rolnego możliwe jest wykorzystanie wielu systemów doradczych wspomagających realizację różnych zadań ale najlepszym rozwiązaniem z

4

punktu widzenia końcowego użytkownika jest zastosowanie zintegrowanego systemu doradczego łączącego pod jednym interfejsem wiele modułów wspomagających podejmowanie decyzji. Z praktycznego punktu widzenia podstawowym zadaniem takiego systemu jest podniesienie konkurencyjności gospodarstwa poprzez ułatwienie wdrażania zasad rolnictwa zrównoważonego, podnoszenia jakości produktów, umożliwienie lepszego i sprawniejszego zarządzania, usprawnienie transferu informacji i wiedzy oraz prognozowania ryzyka [Zaliwski 2007].

2. Geneza oraz rozwój komputerowych systemów wspoma gania decyzji

Wraz z rozwojem komputeryzacji i pojawieniem się w latach sześćdziesiątych ubiegłego wieku pierwszych komputerów zaczęto poszukiwać metod, które pozwoliłyby na wykorzystanie ich mocy obliczeniowej do wspomagania procesu podejmowania decyzji. W obszarze zainteresowań projektantów tych wczesnych technik komputerowych było opracowanie uniwersalnych metod pozwalających na wspomaganie rozwiązywania złożonych wielokryterialnych problemów z różnych często znacznie różniących się od siebie dziedzin gospodarki. W połowie lat sześćdziesiątych prowadzono intensywne badania nad komputerowymi modelami do ilościowej analizy wspomagającej podejmowanie decyzji [Raymond 1966; Turban 1967; Urban 1967; Holt i Huber 1969]. Pierwsze badania z wykorzystaniem wspomaganej komputerowo aplikacji doradczej opisali Ferguson i John w 1969 roku. Aplikację tę wdrożono na komputery IBM 7094 a jej zadaniem było wspomaganie planowania produkcji. Na popularyzację tych zagadnień duży wpływ miały badania prowadzone na Uniwersytecie Harvardzkim w latach 1964-1967. Scott Martin w ramach swojej pracy doktorskiej zajmował się badaniami związanymi z budową, implementacją i testowaniem interaktywnego opartego na modelach systemu doradczego. Badacz analizował jak komputery oraz modele analityczne mogą wspomóc menadżerów w podejmowaniu decyzji związanych z planowaniem. Jako pierwszy naukowiec użył terminu systemy wspomagania decyzji (ang. Decision Suport Systems).

2.1. Interakcja jako podstawa systemów doradczych

W okresie gdy ogromne rozmiary oraz duże zapotrzebowanie na moc nie pozwoliły na wykorzystywanie komputerów poza wyznaczonymi do tego celu laboratoriami, komputerowe wspomaganie decyzji w zakresie rolnictwa polegało na prostych technikach porównywania wyników dla stosunkowo jednorodnego zestawu gospodarstw. Możliwość potencjalnie szybkiego gromadzenia danych dotyczących gospodarstw pozwoliła na przechowywanie w prostych bazach danych informacji dotyczących m. in. ekonomicznych aspektów prowadzenia gospodarstwa, danych technologicznych związanych z prowadzoną produkcją rolniczą (płodozmian, zabiegi agrotechniczne, stosowane odmiany roślin uprawnych, technologie siewu i zbioru, metody ochrony roślin, struktura stada itp.) oraz kilku wskaźników. Podstawowym i jedynym w tym okresie kryterium oceny czynników wpływających na sukces bądź porażkę danego modelu gospodarstwa była wysokość uzyskiwanego dochodu. Metoda ta była bardzo przystępna dla konsultantów oraz zrozumiała dla rolników i szybko odniosła duży sukces.

Ten wczesny, prosty model doradczy zawierał podstawowe funkcjonalności wykorzystywane także w aktualnie implementowanych komputerowych systemach wspomagania decyzji. Podstawą tego modelu była interakcja pomiędzy ekspertami z różnych dziedzin, dysponującymi interdyscyplinarną wiedzą a zainteresowanymi tą wiedzą przedsiębiorcami prowadzącymi działalność w różnych obszarach. Podstawą dialogu w takim systemie była analiza zgromadzonej w bazach danych informacji pochodzących z wielu gospodarstw i próba dobrania optymalnego modelu prowadzenia gospodarstwa zgodnego z oczekiwaniami zainteresowanego oraz potrzebami lokalnego rynku. Ekspert nie udostępniał gotowych rozwiązań a jedynie wspomagał rolnika w określeniu optymalnych rozwiązań biorąc pod uwagę jego aktualną sytuację. Niedoskonałości tego prostego modelu polegające na braku jednoznacznych sugestii dotyczących rozwiązania zaistniałych w

5

gospodarstwie problemów spowodowały konieczność poszukiwań skuteczniejszych rozwiązań.

W tym samym okresie czasu zaczęto wykorzystywać techniki programowania liniowego, które idealnie nadawały się do zastosowania w zakresie podejmowania decyzji. Programowanie liniowe to szczególny przepadek programowania matematycznego, w którym wszystkie związki zachodzące między zmiennymi mają charakter liniowy. Programowanie to polega na maksymalizacji lub minimalizacji funkcji wielu zmiennych co pozwala na uzyskanie rozwiązania optymalnego. Zastosowanie go w procesie podejmowania decyzji wymaga wcześniejszego opracowania modelu matematycznego zawierającego: funkcję celu, zmienne decyzyjne oraz warunki ograniczające [Ferguson 2008].

Wykorzystanie programowania liniowego w założeniu miało udostępniać optymalne rozwi ązanie , które bezpośrednio przekładałoby się na podejmowane przez rolnika decyzje. Jednak mimo, że teoretycznie rozwiązanie było najlepsze to w praktyce często było ono dla rolnika wątpliwe i niezrozumiałe. Na tym etapie przy formułowaniu modelu i gromadzeniu niezbędnych danych konieczne okazało się zacieśnienie współpracy z rolnikiem i udział jego we wszystkich etapach przeprowadzonej analizy. Z poznawczego punktu widzenia model ten zmieniał podejście użytkownika do wykorzystywanego narzędzia przechodząc na model analizy polegający na analizie ogranicze ń. Przedsiębiorca kierując się propozycjami formułowanymi przez model decyzyjny definiował swoje własne rozwiązania i konsultował je z systemem aż to momentu uzyskania optymalnego rozwiązania spełniającego wszystkie wymagania. Podsumowując z praktycznego punktu widzenia programowanie liniowe z jednej strony przy krótkim okresie konfiguracji udostępniało wątpliwej jakości ekspertyzy z drugiej aby uzyskać wnikliwą analizę wymagało dużego nakładu pracy i czasu.

Alternatywą dla metod programowania liniowego były metody bazujące na symulacji, które w tym okresie dotyczyły przede wszystkim zagadnień związanych z analizą i optymalizacją opłacalności produkcji. Zastosowanie ich okazało się możliwe dopiero w momencie gdy nastąpiło znaczne uproszczenie i ujednolicenie technologii produkcji rolniczej. W tym okresie opracowano wiele narzędzi symulacyjnych opisujących dwu biegunowy problem polegający na doborze ograniczonej liczby celów związanych z osiągnięciem zamierzonego efektu oraz obrania optymalnej ścieżki postępowania do jego osiągnięcia. Opracowane algorytmy pozwalały na przeprowadzenie symulacji dotyczących formułowania skutecznych modeli produkcji oraz modelu finansowania i planowania marketingowego. Dzięki zastosowaniu modelu symulacyjnego możliwe stało się przeprowadzenie symulacji dla kilku alternatywnych rozwiązań, które następnie można było porównywać i analizować dopierając najbardziej odpowiednie, niekoniecznie optymalne rozwiązanie.

Pierwotnie przyjęty model pozwalający na dokładne opisanie całego planu prowadzenia gospodarstwa obejmującego wybrany, dłuższy okres czasu okazał się w praktyce mało przydatny z uwagi na zmieniającą się sytuację rynkową, ceny produktów rolniczych oraz popyt. W wypadku gospodarstw rolniczych lepszym podejściem okazał się model pozwalający traktować zarządzanie gospodarstwem jako proces podlegający ciągłym zmianom i wychodząc z tego założenia proponowane rozwiązania powinny dotyczyć opracowania procedur umożliwiających radzenie sobie z pojawiającymi się problemami - prognozowanie ryzyka . W takim podejściu istotne staje się opracowywanie cyklicznych raportów informujących o stanie gospodarstwa, zdefiniowanie reguł postępowania w wypadku wystąpienia nieprawidłowości, odpowiednie reagowanie na nieoczekiwane zdarzenia [Attonnaty i in. 1996].

2.2. Systemy ekspertowe oraz sztuczna inteligencja w analizie decyzyjnej

Pierwsze systemy wspomagania decyzji stanowią podstawę dla nowego modelu interakcji pomiędzy człowiekiem a maszyną. Komputer wraz z oprogramowaniem, które dotychczas zajmowało się tylko analizą porównawczą uzyskuje mechanizmy wspomagające wnioskowanie na podstawie zgromadzonej w bazach danych wiedzy. Kolejnym krokiem jest wypracowanie technik przypominających w działaniu zachowanie ludzkiego mózgu.

6

Odzwierciedleniem tego trendu są pojawiające się pierwsze, prototypowe systemy informatyczne oraz nowa dziedzina wiedzy - sztuczna inteligencja. Podstawą systemów reprezentujących tę dziedzinę wiedzy są aplikacje wykorzystujące pojęcie neuronu jako podstawowego budulca zarówno biologicznego jak i sztucznego mózgu. Pierwszy model neuronu opracowali już w 1943 roku McCulloch i Pitts natomiast podstawy metod uczenia takiego neuronu opracował Hebb w 1949 roku [Noran 2003].

Istotą każdego doradczego systemu ekspertowego jest udostępnianie ekspertyzy umożliwiającej rozwiązanie zadanego problemu. Pierwotnym źródłem inspiracji dla badaczy zajmujących się tematyką szeroko rozumianego rozwiązywania problemów było zachowanie człowieka, oddziaływanie na bodźce, proces gromadzenia, przetwarzania i składowania wiedzy oraz podejmowania na jej podstawie optymalnych decyzji. Kluczowymi etapami w procesie podejmowania decyzji są: właściwa reprezentacja problemu oraz wykorzystanie nabytego doświadczenia i wiedzy dla pełnego zrozumienia jego istoty i struktury (Rys. 1). W modelu tym wyraźnie oddzielono etap zrozumienia problemu od jego rozwiązania. Proces ten określano jako nieliniowy, w którym rozwiązywanie uzyskać można nawet w wypadku braku pełnych informacji o zaistniałym problemie poprzez automatyczny transfer nabytego z podobnych przypadków doświadczenia i wiedzy [Sutton 2003].

Rys. 1. Model rozwiązywania problemów wskazujący na kluczowe Elementy procesu podejmowania decyzji

[źródło: opracowanie własne na podstawie Sutton 2003] Przykładem wczesnego modelu decyzyjnego jest opracowany przez Nowella i Simona

General Problem Solver wzorowany na zachowaniu człowieka. Autorzy opisując problemy decyzyjne stwierdzają, że większość z nich można rozwiązać wykorzystując znaną z algorytmiki instrukcję warunkową IF..THEN. Ich zdaniem wiedzę z dowolnej dziedziny można pogrupować i przedstawić w sposób modułowy. W takim podejściu każda reguła odpowiadałaby małemu fragmentowi, wycinkowi wiedzy. W modelu tym pamięć jest zbiorem takich słabo uporządkowanych i powiązanych ze sobą fragmentów wiedzy. Bodźce zewnętrzne wpływają na zachowanie mózgu, który odwołuje się do odpowiedniej reguły zawartej w pamięci długotrwałej i wywołuje pożądane reakcję. Pamięć długotrwała jest miejscem składowania wiedzy natomiast krótkotrwała wykorzystywana jest jako pamięć tymczasowa w procesie podejmowania decyzji. Dobór odpowiedniej reguły realizuje tzw. procesor poznawczy (ang. cognitive processor) będący odpowiednikiem modułu wnioskowania w systemów ekspertowych. Zaproponowany model stanowił podstawę pod

7

dalsze rozważania nad implementacją metod wspomagania decyzji do postaci komputerowych regułowych systemów ekspertowych [Noran 2003].

Za jeden z pierwszych pełnowartościowych systemów ekspertowych uznaje się system Dendral, którego zadaniem było ustalanie struktury molekularnej nieznanych chemicznych związków organicznych na podstawie analizy widm spektroskopowych. System ten składał się zarówno z modułów proceduralnych jak i deklaratywnych ze zbiorem reguł i faktów [Lindsay i in. 1993]. Innym przykładem jest system MYCIN. Jego zadaniem było zdiagnozowanie i wspomaganie terapii z zakresu chorób zakaźnych krwi. Zawierał on bazę wiedzy, bazę danych pacjentów z opisem przypadków chorobowych, moduł interaktywny wyciągający wnioski i udostępniający porady oraz moduł wyjaśniający, uzasadniający uzyskane porady [Buchanan i in. 1984]. Z kolei zadaniem systemu Prospector było doradztwo w dziedzinie geologii a w szczególności pomoc przy poszukiwaniu złóż minerałów. Dużym sukcesem tego systemu, który przyczynił się do spopularyzowania komputerowego wspomagania decyzji było odkrycie bogatych złóż molibdenu [McCammon 1996]. Z kolei opracowany w Massachusetts Institute of Technology program Macsyma wykorzystywany był przez matematyków oraz fizyków do wspomagania obliczeń symbolicznych. W pewnym zakresie przewyższał on możliwościami zdolności ludzi w rozwiązywaniu rachunku różniczkowego i całkowego [Moses 2008].

3. Wprowadzenie do systemów wspomagania decyzji

Współczesne systemy wspomagania decyzji opierają się w dużej mierze na założeniach opracowywanych od momentu pojawienia się pierwszych komputerów. Pierwotnie systemy te były dostępne jedynie w ośrodkach badawczych i przemysłowych. Ale od połowy lat osiemdziesiątych wraz z pojawieniem się pierwszych komputerów osobistych z ich możliwości mógł korzystać także przeciętny użytkownik.

Systemy wspomagania decyzji definiuje się różnie z uwagi na ich złożoną budowę oraz dużą liczbę metod i narzędzi, z których systemy te korzystają. Ogólnie systemy te można zdefiniować jako systemy interaktywne oparte na komputerach wspomagające decydenta w wykorzystaniu danych i modeli do rozwiązywania złożonych problemów [Sprague i Carlson 1982]. Inną definicję zaproponowali Klein i Methile - System wspomagania decyzji to system informatyczny, który udostępnia informacje z danej dziedziny oraz analityczne modele decyzyjne z dostępem do baz danych w celu wspomagania decydentów w skutecznym działaniu w złożonym, słabo ustrukturalizowanym środowisku [Klein i Methile 1995].

Lata rozwoju systemów decyzyjnych zaowocowały szeroką gamą dostępnych rozwiązań. Obecnie można wyróżnić wiele rodzajów systemów wspomagania decyzji, ale większość z nich występuje najczęściej w postaci hybrydowej. Systemy takie udostępniają za pośrednictwem jednolitego interfejsu wiele metod i narzędzi pozwalających na przeprowadzenie kompleksowej analizy. Obok popularnych w ostatnich latach aplikacji jednostanowiskowych coraz częściej aplikacje doradcze udostępniane są w sieci Internet a także na urządzeniach mobilnych.

3.1. Rodzaje systemów wspomagania decyzji

Szeroki zakres zagadnień oraz różnorodność podejść i metod stosowanych w procesie wspomagania podejmowania decyzji wpłynął na złożone kryteria ich klasyfikacji. Ogólnie systemy wspomagania decyzji można podzielić na klasyczne systemy wspomagania decyzji i inteligentne systemy wspomagania decyzji. Pierwsze z nich udostępniają ekspertyzy biorąc pod uwagę zgromadzone w bazach danych informacje, które poddawane są analizie z wykorzystaniem zaimplementowanych w systemie modeli analitycznych i logicznych. Druga grupa systemów łączy w sobie możliwości metod klasycznych z metodami sztucznej inteligencji.

Dokładniejszego podziału można dokonać analizując idee działania takiego systemu [Olszak 2008]:

• Systemy zorientowane na modele (ang. Model-driven Decision Support Systems)

8

Systemy te wykorzystują dedykowane modele decyzyjne udostępniające metody analizy decyzyjnej, optymalizacji, modelowania stochastycznego, symulacji, statystyki oraz modelowania logicznego. Dobór odpowiedniej techniki modelowania realizuje się na etapie analizy problemu, a skonstruowany model służy również do oceny alternatywnych rozważań. Istotnym problemem tego podejścia jest właściwe skonstruowanie modelu, który powinien wiernie odwzorować strukturę oraz aspekt dynamiczny analizowanego procesu. Podejście to uwzględnia następujące etapy:

problem decyzyjny → model → dane → analiza → rozwiązanie

• Systemy zorientowane na dane (ang. Data-driven Decision Support Systems), Systemy te wskazują na rosnące znaczenie procesu gromadzenia danych oraz ich

wpływu na jakość opracowanego modelu. Podstawowym zadaniem takich systemów jest eksploracja danych mająca na celu identyfikację występujących między nimi zależności. Model ten korzysta często z zaawansowanych technik modelowania danych ich walidacji i weryfikacji oraz standaryzacji formatów przechowywania. Podejście to uwzględnia następujące etapy:

problem decyzyjny → dane → analiza → model→ rozwiązanie

• Systemy zorientowane na wiedz ę (ang. Knowledge-driven Decision Support

Systems) Systemy te umożliwiają gromadzenie, przetwarzanie i analizę wiedzy pochodzącej od

wielu ekspertów. Zawierają moduły wnioskowania korzystające z systemów ekspertowych, drzew decyzyjnych, sieci neuronowych, metod przetwarzania języka naturalnego, logiki rozmytej, algorytmów genetycznych itp. Szczegółowy opis zasad ich działania znajduje się w rozdziale dotyczącym inteligentnych systemów wspomagania decyzji [3.2.2].

Oprócz wymienionych wyżej klas systemów można wskazać także na inne, które zazwyczaj dostarczają dodatkowych funkcjonalności. Warto tutaj wymienić takie klasy systemów wspomagających decyzję jak systemy zorientowane na dokumentacj ę (ang. Document-driven Decision Support Systems) wykorzystywane w podmiotach gdzie podstawowym nośnikiem informacji są dokumenty czy systemy zorientowane na komunikacj ę (ang. Communication-driven Decision Support Systems) wskazujące na istotną rolę dialogu pomiędzy ekspertami i użytkownikami oraz udostępniające narzędzia wspomagające wymianę informacji.

Dynamiczny rozwój nowoczesnych technologii informatycznych wpływa także na pojawianie się nowych typów systemów doradczych, przykładem są: systemy oparte na danych zapisanych w postaci arkusza kalkulacyjnego (ang. Spreadsheet-based Decision Support Systems), systemy w postaci aplikacji sieciowych (ang. Web-based Decision Support Systems) czy systemy korzystające z technologii GIS (ang. Geographic Information System) i generowanych w niej map (ang. GIS-based Decision Support System).

3.2. Struktura systemów wspomagania decyzji

Rozwój systemów wspomagania decyzji uwarunkowany jest przede wszystkim wzrostem mocy obliczeniowej współczesnych komputerów oraz opracowywaniem nowych, skuteczniejszych metod doradczych korzystających z rozwijanej od wielu lat wiedzy w różnych dziedzinach. Opracowywane w ramach różnych dziedzin bazy danych wraz z ograniczeniami formułowanymi przez użytkownika korzystającego z systemu służą jako podstawowe źródło informacji w procesie podejmowania decyzji. W okresie gwałtownego rozwoju informatyzacji pojawiło się szereg koncepcji określających jak powinna wyglądać struktura systemu doradczego.

9

3.2.1. Klasyczne systemy wspomagania decyzji

Klasyczne systemy wspomagania decyzji, pozbawione nowoczesnych metod wnioskowania, składają się z następujących komponentów [Manos i in. 2004] (Rys. 2):

• Baza danych wraz z System Zarz ądzania Baz ą Danych (ang. Database Management System DBMS) – zawiera dane niezbędne do działania systemu oraz narzędzia wspomagające gromadzenie i przechowywanie tych danych,

• Baza modeli wraz z Systemem Zarz ądzania Baz ą Modeli (ang. Model Base Management system MBMS) – zawiera metody, techniki i modele wykorzystywane w trakcie przetwarzania i analizy danych zawartych w bazach danych oraz narzędzia dokonujące transformacji rezultatów działania modelu do postaci informacji dla użytkownika,

Rys.1. Struktura klasycznego Systemu Wspomagania Decyzji [źródło: opracowanie własne na podstawie Manos i in. 2003]

• Baza danych u żytkownika z Systemem Zarz ądzania Danymi U żytkownika (ang.

User Support Base Management System USBMS) – zawiera informacje pozyskiwane od użytkownika definiujące jego oczekiwania i wartości niezbędnych parametrów oraz narzędzia wspomagające przetwarzanie danych oraz prezentację wyników.

Kluczowym elementem takiego systemu są oczywiście dane uporządkowane w postaci baz danych umieszczonych lokalnie lub na serwerze sieciowym, do którego dostęp mają zarówno specjaliści z danej dziedziny jak i użytkownicy poszukujący optymalnych rozwiązań. Zarządzaniem danymi umieszczonymi w bazach, definicją ich struktury oraz metodami dostępu, zajmują się dedykowane systemy zarz ądzania bazami danych , w skład których wchodzą systemy bazujące na modelu hierarchicznym, sieciowym, relacyjnym, obiektowym oraz najnowszym modelu strumieniowym.

W modelu hierarchicznym (Rys. 3) dane przechowywane są w formie rekordów nadrzędnych-podrzędnych ich układ przypomina strukturę drzewa z jednym punktem początkowym nazywanym korzeniem i wieloma rozgałęzieniami. Każdy rekord (z wyjątkiem głównego) jest związany z dokładnie jednym rekordem nadrzędnym.

10

Rys.2. Hierarchiczny model baz danych [źródło: opracowanie własne]

Model sieciowy (Rys. 4) w niewielkim zakresie różni się od poprzedniego. W miejsce

związku nadrzędny-podrzędny wprowadzono tzw. kolekcje polegające na przypisaniu jednej z tabel roli właściciela a drugiej roli członka. Umożliwia to wprowadzenie złożonych powiązań, w których element podrzędny (członek) może posiadać wiele elementów nadrzędnych (właścicieli) i odwrotnie. Model ten umożliwia poszukiwanie rozpoczynając od dowolnej tabeli co w znacznym stopniu przyśpiesza proces analizy danych.

Rys.3. Sieciowy model baz danych [źródło: opracowanie własne]

Najczęściej jednak bazy w systemach wspomagania decyzji korzystają z modelu

relacyjnego (Rys. 5), w którym informacje zapisane w tabelach przechowywane są w postaci krotek (rekordów) oraz atrybutów (kolumn), z których każda przechowuje dane jednego typu. Dzięki zastosowaniu dedykowanych unikalnych kluczy jednoznacznie identyfikujących dany rekord możliwe jest dokonywanie złączeń pomiędzy tabelami co znacznie usprawnia proces wyszukiwania niezbędnych w danym momencie danych oraz zapobiega zbyt dużej ich defragmentacji.

Rys.4. Relacyjny model baz danych [źródło: opracowanie własne]

11

Mniej popularnym ale nowocześniejszym jest model obiektowy (Rys. 6), który pozwala na przechowywanie złożonych typów danych wytworzonych przez obiektowe języki programowania. Model ten posiada większość cech modelu relacyjnego z tym, że zamiast relacji przechowuje obiekty. Podstawom celem tego modelu jest bezpośrednie odwzorowanie obiektów i powiązań miedzy nimi wchodzących w skład aplikacji na wzór obiektów i powiązań w obiektowej bazie danych. Zastosowanie mechanizmów obiektowych umożliwia zastosowanie jednolitej struktury w złożonych projektach informatycznych oraz umożliwia przeniesienie procedur obsługi danych z samej aplikacji do systemu zarządzania bazą danych [Hernandez 2004].

Rys.5. Obiektowy model baz danych [źródło: opracowanie własne]

Opracowanym stosunkowo niedawno modelem, który zwraca uwagę na konieczność

przetwarzania, analizowania i prezentowania napływających nieprzerwanym strumieniem danych jest model strumieniowy . W modelu tym dane przedstawione są w postaci strumieni o ściśle zdefiniowanym formacie. Przetwarzaniem danych zajmuje się dedykowany system zarządzania, który wykorzystując zarejestrowane ciągi zapytań, przesyła efekt ich działania w postaci strumieni bezpośrednio do aplikacji klienckiej lub zapisuje dla dalszego wykorzystania. Taka forma przetwarzania danych jest szczególnie przydatna w systemach monitorowania gdzie istnieje konieczność nieprzerwanego gromadzenia i jednocześnie analizowania pozyskiwanych informacji. Aktualnie brak znaczących praktycznych implementacji korzystających z tego modelu [Babcock i in. 2002].

Kolejnym istotnym elementem klasycznego systemu wspomagania decyzji jest baza modeli wraz z systemem zarządzania tymi modelami. Moduł ten zawiera między innymi matematyczne, ekonomiczne i statystyczne modele wykorzystywane w procesie analizy. Uzyskane podczas analizy alternatywne rozwiązania można poddać dalszej ocenie wykorzystując zaimplementowane w systemie procedury. W skład implementowanych modeli udostępnianych w systemach doradczych wchodzą [Kersten 2000]:

• modele deterministyczne – służą do analitycznego przedstawienia badanego zjawiska, w którym dla danych parametrów wejściowych wyniki są określone jednoznacznie,

• niedeterministyczne modele stochastyczne – służą do przedstawienia badanego zjawiska, zawierającego element losowości, w którym dla danych parametrów wejściowych wyniki są określane zgodnie z zasadami probabilistyki,

• model warto ści oczekiwanych – służą do przedstawienia badanego zjawiska,

12

zawierającego element losowości, w którym wielkościom losowym nadano ich wartości oczekiwane.

3.2.2. Inteligentne systemy wspomagania decyzji

Inteligentne systemy decyzyjne powstały w wyniku połączenia metod stosowanych w klasycznych systemach wspomagania decyzji (tworzenie modeli, wykorzystanie algorytmów numerycznych) z metodami sztucznej inteligencji w tym systemami ekspertowymi. Pierwsza generacja systemów ekspertowych korzystała z heurystycznej wiedzy ekspertów, a proces pozyskiwania tej wiedzy opierał się na współpracy pomiędzy specjalistą a tzw. inżynierem wiedzy. Rolą inżyniera wiedzy było zakodowanie pozyskiwanych informacji do postaci reguł działania. Kolejna generacja systemów ekspertowych koncentruje się na identyfikacji wielu, różnych typów wiedzy i wykorzystaniu jej do efektywnego rozwiązywania problemów [Wolny 2008].

Podstawowym elementem inteligentnego systemu wspomagania decyzji obok baz danych i modeli zaczerpniętych z poprzedniego modelu jest baza wiedzy (Rys. 7). Zadaniem bazy wiedzy jest gromadzenie informacji pochodzących bezpośrednio od wielu ekspertów. Eksperci oprócz wiedzy stricte teoretycznej posiadają także duże praktyczne doświadczenie w danej dziedzinie, co wpływa na jakość wiedzy umieszczonej w bazach. Zapisane w bazie wiedzy reguły są zbiorem typowych problemów oraz czynników na nie wpływających z uwzględnieniem ich znaczenia w procesie podejmowania decyzji. Typowa baza wiedzy zawiera zbiór definicji, faktów i pojęć oraz relacji między nimi.

Rys.6. Struktura inteligentnego Systemu Wspomagania Decyzji [źródło: opracowanie własne na podstawie Manos i in. 2003]

Obok tradycyjnego modelu generowania baz wiedzy wymagającego współpracy z

ekspertem istnieje także model pozwalający na automatyzację tego procesu. Inteligentne systemy doradcze podczas tworzenia baz wiedzy mogą korzystać z nowoczesnych metod analitycznego przetwarzania danych (ang. Online Analitycal Processing), hurtowni danych oraz metod eksploracji danych (ang. Data Mining) umieszczonych w rozbudowanych bazach. Eksploracja danych polega na wyszukiwaniu schematów i wzorców, które nie były wcześniej znane, a mogą być przydatne w procesie podejmowania decyzji [Zakrzewicz 1997]. Jest to proces stosunkowo złożony i wymaga przetworzenia dużej ilości danych w kilku, powiązanych ze sobą etapach (Rys. 8).

Typowy scenariusz takiego procesu składa się z następujących kroków [Zakrzewicz 1997]:

• selekcja danych – wybór relacji i krotek, które będą poddane eksploracji, definiowanie sposobu łączenia relacji,

• przetwarzanie i transformacja – konwersja typów atrybutów, definicja atrybutów

13

wywiedzionych, dyskretyzacja wartości ciągłych, • eksploracja – ekstrakcja wiedzy z danych: generowanie reguł, drzew decyzyjnych,

sieci neuronowych itp. • interpretacja wyników – wybór najbardziej interesującej wiedzy, wizualizacja

wyników.

Rys.7. Proces odkrywania wiedzy w bazach danych (ang. Knowledge Discovery in Databases)

[źródło: opracowanie własne na podstawie Fayyad i in. 1996] Kluczową fazą procesu odkrywania wiedzy jest eksploracja danych. Efektem tej fazy jest

pozyskanie nowej wiedzy, a najpopularniejszymi metodami jej reprezentacji są drzewa decyzyjne i reguły logiczne. Przykład drzewa decyzyjnego dla oznaczania szkodników występujących na plantacji rzepaku ozimego przedstawiony został w rozdziale 6.18. przy omówieniu zintegrowanego systemu doradczego prosPlant.

Analizą zgromadzonej w systemie wspomagania decyzji wiedzy zajmuje się dedykowany mechanizm wnioskowania , który formułuje ekspertyzę przeprowadzając dialog z użytkownikiem (np. metoda drzew decyzyjnych) lub wykorzystując wbudowane narzędzia, automatyzujące ten proces, oparte na sieciach neuronowych. Dodatkowo uzyskaną ekspertyzę można poddać dalszej ocenie wykorzystując wbudowany w taki system mechanizm wyja śniający .

W regułowych systemach ekspertowych wyróżniamy dwa zasadnicze modele wnioskowania, z których pierwszy polega na znalezieniu wszystkich prawdziwych (możliwych do udowodnienia faktów) oraz drugi polegający na sprawdzeniu czy jeden, konkretny fakt (hipoteza) jest prawdziwy:

• wnioskowanie w przód (ang. forward chaining) – droga od przesłanki do konkluzji, polega na znalezieniu w bazie wiedzy tylko tych reguł dla, których spełnione są przesłanki. Konkluzje wytypowanych reguł stają się faktami (nowymi przesłankami) i ponownie wykonywane jest wyszukiwanie odpowiednich reguł. Proces powtarza się aż do uzyskania odpowiedzi na zadane pytanie.

• wnioskowanie w tył (ang. backward chaining) – droga od konkluzji do przesłanek, polega na znalezieniu reguł, które spełniają określoną konkluzję. Na ich podstawie wyznaczane są odpowiednie fakty (przesłanki), które muszę zostać spełnione. Proces powtarza się tak długo aż nie zostaną spełnione przesłanki wytypowanych reguł.

W praktyce rzadko dysponujemy pełną wiedzą o analizowanym problemie i trudno jest jasno określić wszystkie warunki oraz reguły opisujące dane zagadnienie. A co za tym idzie opracowane na podstawie takiego niepełnego obrazu bazy wiedzy nie mogą udostępnić optymalnej ekspertyzy. Dlatego też dla problemów obarczonych dużą niepewnością opracowano szereg teorii umożliwiających reprezentowanie tej niepewności. W literaturze można znaleźć kilka podstawowych sposobów reprezentacji wiedzy niepewnej, niepełnej,

14

nieprecyzyjnej np.: współczynnik pewności, Beyesowskie sieci przekonań, zbiory rozmyte, zbiory przybliżone i inne (teoria Dampstera-Shafera, teoria możliwości) [Żurek 2011].

Obok systemów ekspertowych w inteligentnych systemach wspomagania decyzji swoje zastosowanie znajdują także sieci neuronowe jako silny aparat pozwalający na analizowanie trudnych zagadnień, obarczonych wysokim stopniem niepewności. Podstawą sieci neuronowych jest tzw. model neuronu matematycznego (Rys. 9). Model ten jest odpowiednikiem neuronu biologicznego i tak jak on składa się z wejść (odpowiednik dendrytów), bloku sumującego odpowiedzialnego za przetwarzanie sygnałów (odpowiednik jądra), bloku aktywującego odpowiedzialnego za kształtowanie informacji wyjściowej i samego wyjścia. Istnieją dwie podstawowe topologie (architektury) sieci neuronowych: sieci jednokierunkowe (ang. feedforwarded) o jednym kierunku przepływu sygnałów oraz sieci rekurencyjne (ang. feedback bidirectional) ze sprzężeniami zwrotnymi.

Rys.8. Model neuronu matematycznego wykorzystywany w sieciach neuronowych [źródło: wykonanie własne]

Istotą działania sieci neuronowych jest przetwarzanie udostępnianych jej parametrów

wejściowych i próba uogólnienia zgromadzonej wiedzy w celu znalezienia najlepszego rozwiązania dla analizowanego problemu. Gwarancją optymalnego działania sieci neuronowej jest dostarczenie jej odpowiedniej wiedzy w postaci tzw. przypadków uczących będących reprezentacją rozwiązania danego problemu na podstawie, której sieć będzie mogła odkryć i zapamiętać ogólne prawidłowości charakteryzujące analizowane obiekty. Rozpoznane reguły przechowywane są w postaci rozproszonej w wartościach współczynników wagowych neuronów. Korzystając z tych reguł system umożliwia pozyskanie optymalnych, zbliżonych do rzeczywistości rozwiązań dotyczących aktualnie występujących problemów np. w gospodarstwie rolniczym.

Sztuczne sieci neuronowe pozwalają na zastąpienie tradycyjnych modeli matematycznych w systemach doradczych tam gdzie opracowanie takiego modelu jest niemożliwe bądź bardzo trudne z uwagi na dużą złożoność zagadnienia, którego dotyczy modelowanie.

4. Rodzaje systemów wspomagania decyzji stosowanych w rolnictwie

Rolnictwo jest dziedziną wyjątkowo obszerną i wymaga kompleksowych rozwiązań informatycznych. Wykorzystanie prostych, pozbawionych interakcji technik komputerowych pozwalających jedynie na gromadzenie i przetwarzanie informacji jest obecnie niewystarczające. Zastosowanie inteligentnych systemów wspomagania decyzji bazujących na komunikacji z użytkownikiem i udostępniających ekspercką wiedzę w znacznym stopniu usprawnia zarządzanie gospodarstwem automatyzując praco- i czasochłonne procesy. Wpływa to oczywiście w sposób bezpośredni nie tylko na efekt ekonomiczny prowadzonej działalności ale także na jakość i wysokość uzyskiwanych płodów rolnych.

15

Stosunkowo szeroki zakres zagadnień podejmowanych przy prowadzeniu działalności w branży rolniczej przekłada się bezpośrednio na ilość obszarów w ramach, których implementuje się komputerowe systemy wspomaganie decyzji. Systemy te można sklasyfikować biorąc pod uwagę stopień przetworzenia informacji wykorzystywanej w sytuacji decyzyjnej [Zaliwski 2007]:

• systemy dostarczaj ące informacji cz ęściowych – zajmują się dostarczeniem informacji i danych wykorzystywanych w procesie podejmowania decyzji bezpośrednio do zainteresowanego rolnika (np. w postaci strony internetowej) lub do innego systemu doradczego korzystającego z tych danych (np. w formie usługi sieciowej). Przykładem takich systemów mogą być aplikacje internetowe będące serwisem krótkookresowych prognoz pogodowych, dostarczające danych dotyczących wysokości opadów, temperatury, wilgotności itp., wykorzystywanych przy planowaniu prac w gospodarstwie rolniczym, planowaniu oprysku ochronnego, prognozowaniu wysokości plonu oraz jego jakości itp.

• systemy dostarczaj ące informacji szczegółowych – wspomagają podjęcie decyzji w zakresie wyboru konkretnego rozwiązania prezentując szereg alternatyw wraz z ich klasyfikacją i oceną skutków ich wprowadzenia. Przydają się szczególnie w problemach wielokryterialnych gdzie przydatne jest określenie znaczenia każdego z czynników i ich wpływu na skutki decyzji. Podejście takie pozwala uwzględnić dużą liczbę kryteriów, nadać im odpowiednie wagi oraz uwzględnić preferencję podejmującego decyzję.

• systemy udost ępniaj ące modele matematyczne – zajmują się dostarczeniem informacji w postaci modeli matematycznych, które pozwalają na dokładniejszą sformalizowaną ocenę sytuacji decyzyjnej. Udostępnione modele umożliwiają przeprowadzenie dokładnej analizy wykorzystując m. in. symulację (system analizuje rezultaty dla podanej decyzji), symulację odwrotną (system analizuje decyzję dla podanych rezultatów) i optymalizację (system wskazuje na decyzję dającą najlepszy rezultat). Dzięki tym metodom system wskazuje na rozwiązanie o najwyższej jakości, często jest to rozwiązanie gwarantujące wymierne oszczędności finansowe.

Biorąc pod uwagę zakres analiz oferowanych przez system wspomagania decyzji można je podzielić na [Zaliwski i Hołaj 2001]:

• analityczne aplikacje doradcze – udostępniające informacje wspomagające podejmowanie decyzji w zakresie wykonywania zabiegów uprawowych na podstawie przeprowadzonych kalkulacji,

• modele wzrostu i rozwoju ro ślin – prognozujące jakość i wysokość plonów oraz zawartość substancji mających zastosowanie w przemyśle (np. skrobi w ziemniakach),

• specjalizowane systemy wspomagania decyzji – udostępniające ekspertyzy dotyczące wybranego zabiegu uprawowego (np. nawożenia, opryskiwania, nawodnienia), występują najczęściej w postaci aplikacji ekspertowych, korzystają z metod teorii decyzji, sztucznych sieci neuronowych itp.,

• zintegrowane systemy wspomagania decyzji – pełnią podobną rolę co systemy specjalizowane jednak działają bardziej kompleksowo i obejmują większe spektrum zagadnień. Wprowadzone do tych systemów modele zjawisk i procesów zachodzących w skali rośliny i pola pozwalają na pozyskanie rozwiązań dotyczących planowania struktury areału, przygotowania gleby pod uprawę (np. nawożenie), ochrony roślin (np. identyfikację szkodników i chorób), ochrony środowiska rolniczego (np. ocenę wpływu zabiegów na środowisko) itp.

W niniejszym opracowaniu, bazując na analizie aktualnej wiedzy z zakresu zastosowania systemów wspomagania decyzji w rolnictwie, dokonano klasyfikacji prac badawczych z tego zakresu korzystając ze zmodyfikowanego, trój poziomowego podziału systemów wspomagania decyzji. Pełny opis tego podziału wraz z wynikami klasyfikacji znajduje się w kolejnym rozdziale.

16

5. Kierunki bada ń oraz praktycznego wykorzystania systemów decyzyjny ch w rolnictwie

Zastosowanie nowoczesnych systemów wspomagania decyzji w znacznym stopniu ułatwia podjęcie trafnej decyzji. Systemy te znajdują szczególne zastosowanie w zagadnieniach wymagających interdyscyplinarnej wiedzy. Rolnictwo jest właśnie taką dziedziną, która wymaga podejmowania decyzji z uwzględnieniem szerokiego spektrum czynników. W tradycyjnym scenariuszu podjęcie optymalnej decyzji w zakresie zadań związanych z prowadzeniem gospodarstwa rolnego wymaga pozyskania informacji z wielu alternatywnych, często trudno dostępnych źródeł. Systemy wspomagania decyzji pozwalają na usprawnienie tego procesu poprzez udostępnianie mechanizmów go automatyzujących. Udostępniają one mechanizmy pozyskiwania, gromadzenia oraz przetwarzania: najnowszej wiedzy pochodzącej od naukowców oraz specjalistów z danej dziedziny, informacji od producentów i instytucji wspomagających branżę rolniczą oraz danych z czujników umieszczonych na polu, w sadach, szklarniach, pomieszczeniach inwentarskich oraz na narzędziach i maszynach rolniczych.

5.1. Kierunki rozwoju praktycznego wspomagania decy zji w rolnictwie

Obserwowany rozwój wiedzy dotyczącej metod i narzędzi stosowanych w komputerowym doradztwie rolniczym koncentruje się na trzech podstawowych kierunkach. Pierwszym z nich, jest rozwój nowych metod i technik wspomagania decyzji . Aktualnie jego tempo znacznie spadło z uwagi na duże nasycenie tej przestrzeni działań. Drugim z nich jest dynamiczny wzrost technik związanych z automatyzacj ą procesu pozyskiwania i przetwarzania zgromadzonej z danej dziedziny wiedzy . Trzeci dotyczy rozwoju metod i technologii komputerowych związanych z implementacją tych systemów w tym interfejsu użytkownika, stanowiącego podstawę interakcji. Wspomniane kierunki rozwoju zostały w dużym zakresie opisane w poprzednich rozdziałach.

W praktyce rolnictwo podobnie jak inne dziedziny aktywności człowieka wymaga zastosowania w coraz większym zakresie technologii informatycznych. Jednak istnieje zauważalny rozdźwięk między faktycznymi potrzebami tego rynku a zainteresowaniem przedsiębiorców wprowadzaniem do swojej działalności informatycznych nowinek. Szukając przyczyn tego problemu warto zwrócić uwagę na poziom zaufania przedsiębiorców do nowych technologii.

Wprowadzanie nowinek technicznych do praktyki zawsze odbywa się w kilku fazach (Rys. 10). Poddając analizie dynamiczny rozwój systemów wspomagania decyzji oraz ich implementacji w przestrzeni rolniczej można zauważyć, przyjmując zaproponowane w modelu fazy, że aktualnie znajdujemy się pomiędzy fazą rozczarowania a fazą dojrzałości [Matthews i in. 2008]. Wielu analityków i badaczy wskazuje wyraźnie na konieczność współpracy między naukowcami i praktykami co w znacznym stopniu przyczynia się do wzrostu akceptacji nowych rozwiązań.

Rys.9. Fazy oczekiwań dla wdrażania nowych technologii [źródło: Matthews i in. 2008]

17

Przedstawiona w pracy analiza badań z zakresu praktycznego zastosowania systemów wspomagania decyzji w rolnictwie wskazuje na istnienie wielu gotowych informatycznych rozwiązań wdrożonych lub nadających się do natychmiastowego wdrożenia wspomagających codzienną pracę w gospodarstwie rolniczym. Wydaje się, że epoka powszechnego stosowania doradczych systemów informatycznych w przedsiębiorstwach rolnych nie jest odległa [Zaliwski w: Harasim i in. 2009].

5.2. Analiza obszarów zastosowania systemów wspomag ania decyzji w rolnictwie

Rozwój praktycznego wykorzystania systemów wspomagania decyzji w rolnictwie przyczynił się do popularyzacji komputerów i ich zastosowania w zarządzaniu procesami w produkcji rolniczej. Aktualnie metody komputerowego wspomagania decyzji stosuje się w szerokim spektrum zagadnień sektora rolniczego i trudno jest jednoznacznie wskazać na obszary, w których metody te są szczególnie popularne. Jednak analiza dostępnych w literaturze naukowej i popularnonaukowej publikacji a także opracowanych i udostępnionych darmowych lub komercyjnych narzędzi wspomagających podejmowanie decyzji pozwala na określenie obszarów cieszących się największym zainteresowaniem specjalistów z tej dziedziny.

Z uwagi na interdyscyplinarny charakter zagadnień podejmowanych przez badaczy zajmujących się wykorzystaniem metod wspomagania decyzji w rolnictwie, analizując stan aktualnej wiedzy oraz jej dynamiczny rozwój konieczne jest określenie wielokryterialnego modelu dla analizy obszarów ich zastosowania. Dokonanie jednoznacznego podziału nie jest łatwe ponieważ proponowane rozwiązania najczęściej są kompleksowe i dotyczą wielu obszarów.

Szeroką gamę zagadnień poruszanych w ramach badań można poddać klasyfikacji uwzględniając ich podział ze względu na: (A) zakres podejmowanej problematyki, (B) obszary praktycznego zastosowania, (C) wspomaganie wybranych procesów produkcji rolniczej.

A. Klasyfikacja prac badawczych ze względu na zakres podejmowanej problematyki:

1. Przegl ądowe - omawiające możliwości zastosowania systemów wspomagania decyzji w rolnictwie oraz opisujące i oceniające przypadki ich zastosowania.

2. Koncepcyjne - omawiające techniki i metody wykorzystane w systemach wspomagania decyzji dla rolnictwa.

3. Implementacyjne Globalne, Zło żone - omawiające projekty konkretnych rozwiązań informatycznych lub ich implementacje w postaci systemów wspomagania decyzji obejmujących kompleksowo, wiele zagadnień z zakresu produkcji rolniczej.

4. Implementacyjne Dedykowane, Specjalizowane - omawiające projekty konkretnych rozwiązań informatycznych lub ich implementacje w postaci systemów wspomagania decyzji dla wybranych procesów produkcji rolniczej.

B. Klasyfikacja prac badawczych z uwzględnieniem obszarów ich praktycznego

zastosowania: 1. Identyfikacyjne - systemy wykorzystujące wiedzę z entomologii stosowanej oraz

fitopatologii dla identyfikacji i sformułowania diagnozy dotyczącej występowania agrofagów w uprawach roślin.

2. Klasyfikacyjne - systemy dokonujące klasyfikacji płodów rolnych z uwzględnieniem wybranych współczynników,

3. Analityczne – systemy udostępniające moduły do przeprowadzenia kalkulacji w zakresie wybranych zabiegów w gospodarstwie rolniczym.

4. Doradcze - systemy przetwarzania i analizy danych, z wykorzystaniem zaawansowanych metod wnioskowania, wspomagające planowanie i organizację prac w przedsiębiorstwie rolniczym z uwzględnieniem podziału produkcji rolniczej na uprawę roślin i hodowlę zwierząt.

5. Kontrolne - systemy ostrzegające o skutkach niekorzystnego wpływu produkcji

18

rolniczej na środowisko naturalne zarówno roślinne jak i zwierzęce. 6. Informacyjne - systemy udostępniające informacje wspomagające producentów

rolnych, ośrodki badawczo-dydaktyczne, doradców rolniczych itp. C. Klasyfikacja prac badawczych z uwzględnieniem wybranych procesów produkcji

rolniczej: 1. Zarządzanie dost ępnym areałem - wspomaganie decyzji z wykorzystaniem

technologii GIS, GPS, danych klimatycznych, danych o glebie, zasobności gleby w składniki mineralne i wodę itp.

2. Zarządzanie powierzchni ą uprawow ą - wspomaganie decyzji dotyczących planowania uprawy, doboru rośliny uprawowej, prognozowania plonu oraz zawartości oczekiwanych składników, prowadzenia płodozmianu itp.

3. Zarządzanie parkiem maszynowym - wspomaganie decyzji związanych z doborem maszyn i urządzeń rolniczych ich zakupem lub wynajmowaniem, utrzymaniem, konserwacją, sprzedażą.

4. Zarządzanie upraw ą - wspomaganie decyzji związanych z przygotowaniem gleby pod uprawę, nawożeniem gleb, doborem materiału siewnego, wykonaniem zabiegów agrotechnicznych itp.

5. Zarządzanie ochron ą roślin oraz ochron ą środowiska - wspomaganie decyzji w zakresie identyfikacji i zwalczania zagrożeń występujących na polu w postaci szkodników, chorób i chwastów, dobór metod chemicznej i niechemicznej ochrony, generowanie programów ochrony.

6. Zarządzanie składowaniem i przechowywaniem płodów rolnyc h - wspomaganie decyzji związanych z doborem technologii oraz urządzeń do przechowywania.

7. Zarządzanie procesami zwi ązanymi z hodowl ą zwierz ąt - wspomaganie decyzji w zakresie prowadzonej w gospodarstwie hodowli, zarządzanie stadem bydła, hodowlą świń, owiec itp..

8. Zarządzanie rachunkowo ścią w gospodarstwie - wspomaganie decyzji związanych z ekonomicznymi aspektami prowadzenia gospodarstwa.

9. Zarządzanie procesem zbytu - wspomaganie decyzji związanych ze sprzedażą płodów rolnych.

5.2.1. Publikacje naukowe i popularno-naukowe

W ramach analizy stanu wiedzy z zakresu praktycznego zastosowania metod oraz systemów wspomagania decyzji w zarządzaniu gospodarstwem przebadano 310. prac naukowych lub popularnonaukowych opublikowanych w latach 1990-2011 w polskich i zagranicznych czasopismach branżowych lub w postaci samodzielnych pozycji (pełna lista analizowanych opracowań zamieszczona jest w rozdziale 9.). Wszystkie wytypowane do analizy publikacje są ogólnodostępne na stronach internetowych autorów lub wydawnictw w formie elektronicznej, w wersji pełnej – 258 sztuk lub w formie streszczeń – 52 sztuki. Większość z tych prac dostępna jest jedynie w języku angielskim ale dzięki udostępnionym w internecie usługom darmowego, automatycznego tłumaczenia dokumentów ewentualna bariera językowa nie jest obecnie tak istotna. Istnieje też spora grupa publikacji rodzimych autorów poruszających różne zagadnienia z zakresu komputerowego wspomagania decyzji w rolnictwie. Jednak duża część z nich nie jest udostępniana w internecie, związane jest to z małą liczbą polskich wydawnictw posiadających bazy artykułów zamieszczone w sieci.

Analizując zakres problematyki badawczej podejmowanej przez autorów wybranych opracowań (Tabela. 1) należy zwrócić uwagę na przewagę prac omawiających konkretne rozwiązania wraz z opisem procesu ich projektowania i implementacji – 190 prac (61,3%). Opracowywane aplikacje mają zazwyczaj charakter specjalizowanych, dedykowanych narzędzi – 152 prace (49%), ale wśród nich znalazła się także duża grupa publikacji, w których autorzy opisują aplikacje zintegrowane, udostępniające wiele narzędzi, podchodzące do rozwiązania przedmiotowego problemu w sposób kompleksowy – 38 sztuk (12,3%). W zakresie technik projektowania i wytwarzania aplikacji wspomagających podejmowanie decyzji zdecydowana większość z nich korzysta z nowoczesnych metod inżynierii

19

oprogramowania w tym uniwersalnego języka modelowania UML (ang. Unified Modelling Language) pozwalającego na wizualizację struktury oraz aspektu dynamicznego wytwarzanego oprogramowania. Do popularnych technologii implementacji należą takie języki wysokiego poziomu jak C++ i C# dostępne także na często wykorzystywanej platformie .NET będącej kompleksowym rozwiązaniem dla tworzących podobne systemy. Najczęściej wykorzystywanymi systemami zarządzania bazami danych są Microsoft SQL Server, Microsoft Access, SQLLite, BDE (Borland Database Engine) i mySQL. Systemy najczęściej opracowywane są w postaci aplikacji stanowiskowych ale dotyczy to głównie starszych rozwiązań. Obecnie w najnowszych pracach większość systemów udostępniana jest w formie dedykowanych portali internetowych, które obok modułów automatyzujących proces wnioskowania udostępniają także informacje z zakresu podejmowanej problematyki. Dodatkowo obok aplikacji komputerowych wiele kompleksowych systemów doradczych przenosi części zadań na urządzenia mobilne wyposażone w system pozycjonowania GPS, pobierające dane od użytkownika lub bezpośrednio z dedykowanych urządzeń lub czujników itp.

Kolejną grupą zagadnień podejmowanych w pracach są badania mające na celu opracowanie nowych technologii i metod będących podstawą działania systemów wspomagania decyzji – 54 prace (17,4%). Publikacje te często są elementem cyklu wydawnictw i omawiają początkowy etap prac nad implementacją danego systemu informatycznego. Wśród prezentowanych metod coraz częściej obok modeli matematycznych będących deterministyczną reprezentacją danego systemu empirycznego pojawiają się opracowania wykorzystujące metody sztucznej inteligencji w tym sztuczne sieci neuronowe. Sieci wykorzystywane są przede wszystkim w systemach zajmujących się prognozowaniem, gdzie dzięki możliwości uogólnienia na podstawie zgromadzonych z lat poprzednich danych możliwe jest wspomaganie przedsiębiorcy rolnego w opracowaniu optymalnego modelu postępowania dostosowanego do obecnej sytuacji w gospodarstwie. Równie popularnymi metodami pozwalającymi na identyfikację własności analizowanego obiektu są metody analizy obrazów. Metody te znajdują zazwyczaj zastosowanie w systemach wspomagających działania w skali mikro dotyczące oznaczenia szkodników i chorób występujących na plantacji, określenia jakości i klasy produktów rolniczych, określenia zdrowotności roślin, ocenie jakości mięsa w hodowli zwierząt itp. Znajdują one także zastosowanie w skali makro przy analizie całościowej plantacji np. przy ocenie zasobności gleby w składniki pokarmowe. Inną popularną metodą jest GIS (ang. Geographic Information System) umożliwiającą wizualizację przestrzeni produkcyjnej gospodarstwa znajdującą zastosowanie w rolnictwie precyzyjnym.

Tabela. 1. Liczba oraz udział procentowy prac z obszaru zastosowania systemów

wspomagania decyzji w rolnictwie z uwzględnieniem zakresu podejmowanej problematyki

Zakres problematyki badawczej Liczba publikacji Udział procentowy [%]

1. Przeglądowe 66 21,3

2. Koncepcyjne 54 17,4

3. Globalne, Złożone 38 12,3

4. Dedykowane, Specjalizowane 152 49,0

RAZEM 310 100 Obok prac implementacjach istnieje także szereg publikacji przeglądowych próbujących

przybliżyć czytelnikowi możliwości takich systemów oraz dokonujące oceny ich funkcjonalności – 66 prace (21.3%). Ocenę jakości pozyskiwanych w komputerowych systemach doradczych rozwiązań dokonują poprzez porównanie uzyskanych wyników z efektami działania metod tradycyjnych. W większości opisywanych przypadków metody komputerowe sprawdzają się i wpływają na obniżenie praco- i czasochłonności

20

wykonywanych zadań. Jednak wielu badaczy zwraca też uwagę, że metody te nie zawsze są lepsze od metod tradycyjnych. W wielu przypadkach dokładność uzyskiwanych wyników jest mniejsza. Dlatego też przed podjęciem ostatecznej decyzji o wykorzystaniu konkretnej grupy metod wskazane jest przeprowadzenie badań wstępnych pozwalających na wytypowanie najlepszej dla danej sytuacji metody.

Dalsza, głębsza klasyfikacja problematyki badawczej uwzględnia obszary praktycznego wykorzystania opisywanych złożonych i specjalizowanych systemów doradczych oraz ich przeznaczenia dla wspomagania wybranych procesów produkcji rolniczej. Z uwagi na złożony charakter większości opracowań konieczne było sklasyfikowanie wybranych publikacji w ramach kilku klas.

Tabela. 2. Liczba zagadnień omawianych w publikacjach badawczych z obszaru

zastosowania złożonych systemów wspomagania decyzji w rolnictwie z uwzględnieniem obszarów praktycznego ich wykorzystania oraz wybranych procesów produkcji rolniczej

Procesy produkcji rolniczej*

Obszary praktycznego wykorzystania

RAZEM Identyfikacyjne Klasyfikacyjne Analityczne Doradcze Kontrolne Informacyjne

1 2 3 4 5 6

liczba liczba liczba liczba liczba liczba

[1] 6 7 1 1 15 6,7%

[2] 1 2 21 21 2 9 56 25,2%

[3] 1 4 6 2 13 5,9%

[4] 2 1 21 22 12 58 26,1%

[5] 3 1 20 20 2 12 58 26,1%

[6] 3 3 1 7 3,2%

[7] 2 3 1 1 7 3,2%

[8] 1 1 2 0,9%

[9] 1 2 3 6 2,7%

RAZEM 6 6 80 86 6 38 222

2,7% 2,7% 36,0% 38,7% 2,7% 17,2% 100% *[1] - Zarządzanie dostępnym areałem, [2] - Zarządzanie powierzchnią uprawową, [3] Zarządzanie parkiem maszynowym, [4] - Zarządzanie uprawą, [5] - Zarządzanie ochroną roślin oraz ochroną środowiska, [6] - Zarządzanie składowaniem i przechowywaniem płodów rolnych, [7] - Zarządzanie procesami związanymi z hodowlą zwierząt, [8] - Zarządzanie rachunkowością w gospodarstwie, [9] - Zarządzanie procesem zbytu

W ramach implementacji systemów złożonych (Tabela 2) największy udział mają prace

dotyczące systemów przetwarzania i analizy danych z wykorzystaniem metod wnioskowania – 86 (38,7%), kolejną równie liczną grupą są badania wykorzystujące metody analityczne – 80 (36%). Uwidocznione proporcje wskazują jednoznacznie na równie silną pozycję zarówno tradycyjnych metod analitycznych jak i nowoczesnych metod wnioskowania. Innym płynącym z połączenia tych statystyk wnioskiem jest wskazanie na najpopularniejsze obszary stosowania systemów doradczych – 166 (72,8%) z nich udostępnia moduły kalkulacyjne oraz moduły wnioskowania bezpośrednio wspomagające lub w niektórych przypadkach automatyzujące proces podejmowania decyzji. Duża cześć systemów wyposażona jest także w rozbudowane moduły informacyjne – 38 (17,2%) dostarczające użytkownikowi kompletnej wiedzy z przedmiotowego obszaru. Zdecydowanie mniej liczne w grupie systemów złożonych są aplikacje dostarczające metod identyfikacji stosowanych zazwyczaj do oznaczenia występującego na plantacji zagrożenia – 6 (2,7%), klasyfikacji płodów rolnych – 6 (2,7%) oraz systemy kontrolne ostrzegające o skutkach niekorzystnego wpływu produkcji

21

rolniczej na środowisko naturalne – 6 (2,7%). Dalsza analiza dostarcza informacji dotyczących poziomu cyfrowego wsparcia dla

konkretnych procesów produkcji rolniczej. W tej kategorii najbardziej liczbą grupą prac są rozwiązania dedykowane trzem obszarom: zarządzaniem uprawą obejmującą m.in. przygotowanie gleby, doborem materiału siewnego, wykonaniem zabiegów agrotechnicznych i nawożeniem – 58 (26,1%), zarządzaniem ochroną roślin oraz ochroną środowiska rolniczego – 58 (26,1%) oraz zarządzaniem powierzchnią uprawową wspomagającą m.in. planowanie uprawy, doborem rośliny uprawowej, prognozowanie plonu oraz zawartości oczekiwanych składników – 56 (25,2%). W dalszej kolejności plasują się systemy zajmujące się zarządzaniem dostępnym areałem – 15 (6,7%), zarządzaniem parkiem maszynowym – 13 (5,9%), zarządzaniem składowaniem i przechowywaniem płodów rolnych – 7 (3,2%), zarządzaniem procesami związanymi z hodowlą zwierząt – 7 (3,2%), zarządzaniem procesem zbytu – 6 (2,7%), prowadzeniem rachunkowości – 2 (0.9%).

W wypadku opracowań dotyczących implementacji systemów specjalizowanych (Tabela. 3) proporcje dotyczące obszarów praktycznego zastosowania są bardzo podobne do systemów złożonych. W zakresie systemów analitycznych występuje 72 (28,1%) opracowań, w zakresie systemów doradczych 116 (45,3%). Razem klasy te stanowią 73,43% (188 sztuk) wszystkich publikacji dotyczących systemów dedykowanych. Moduły informacyjne można znaleźć w 45 (17,6%) opisywanych systemach, identyfikację realizuje 10 (3,9%) systemów, klasyfikację 11 (4,3%) natomiast rolę kontrolną pełnią 2 (0,8%) systemy.

Tabela 3. Liczba zagadnień omawianych w publikacjach badawczych z obszaru

zastosowania specjalizowanych systemów wspomagania decyzji w rolnictwie z uwzględnieniem obszarów praktycznego ich wykorzystania oraz wybranych procesów produkcji rolniczej

Procesy produkcji rolniczej*

Obszary praktycznego wykorzystania

RAZEM Identyfikacyjne Klasyfikacyjne Analityczne Doradcze Kontrolne Informacyjne

1 2 3 4 5 6

liczba liczba liczba liczba liczba liczba

[1] 5 11 2 18 7,0%

[2] 2 13 19 8 42 16,4%

[3] 1 4 5 4 14 5,5%

[4] 4 13 15 5 37 14,5%

[5] 10 22 51 1 20 104 40,5%

[6] 1 1 2 0,8%

[7] 2 12 13 1 6 34 13,3%

[8] 2 1 3 1,2%

[9] 2 2 0,8%

RAZEM 10 11 72 116 2 45 256

3,9% 4,3% 28,1% 45,3% 0,8% 17,6% 100% *[1] - Zarządzanie dostępnym areałem, [2] - Zarządzanie powierzchnią uprawową, [3] Zarządzanie parkiem maszyno-wym, [4] - Zarządzanie uprawą, [5] - Zarządzanie ochroną roślin oraz ochroną środowiska, [6] - Zarządzanie składo-waniem i przechowywaniem płodów rolnych, [7] - Zarządzanie procesami związanymi z hodowlą zwierząt, [8] - Zarządzanie rachunkowością w gospodarstwie, [9] - Zarządzanie procesem zbytu

W zakresie wspomagania procesów najliczniej reprezentowana jest grupa systemów

wspomagających ochronę roślin w gospodarstwie – 104 (40,5%), dalej znajdują się systemy do zarządzania powierzchnią uprawową – 42 (16,4%), prowadzoną uprawą – 37 (14,5%), hodowlą zwierząt – 34 (13,3%), areałem – 18 (7,0%), parkiem maszynowym – 14 (5,5%),

22

rachunkowością – 3 (1,2%), składowaniem i przechowywaniem płodów rolnych – 2 (0,8%) oraz procesem zbytu – 2 (0,8%).

Podsumowując przeprowadzone analizy można stwierdzić, że aktualnie prowadzone badania w zakresie systemów wspomagania decyzji dedykowanych rolnictwu koncentrują się przede wszystkim na dostarczaniu praktycznych narzędzi umożliwiających przeprowadzenie złożonych kalkulacji analitycznych oraz automatycznej analizy decyzyjnej wspomagającej zarządzanie gospodarstwem w zakresie zarządzanie powierzchnią uprawową, samą uprawą oraz ochroną plantacji przed szkodliwym działaniem agrofagów.

5.2.2. Dost ępne w Polsce systemy wspomagaj ące podejmowanie decyzji

Obok publikacji naukowych i popularno-naukowych kolejnym istotnym źródłem informacji pozwalającym na określenie kierunków rozwoju komputerowego wspomagania rolnictwa jest komercyjne oraz nieodpłatnie udostępniane oprogramowanie. W przeważającej liczbie przypadków autorami lub współautorami tych programów są pracownicy ośrodków naukowo-badawczych wdrażający do praktyki swoją fachową wiedzę. Liczba dostępnych na rynku światowym aplikacji doradczych dla rolnictwa stale rośnie. Także w Polsce dostępnych jest wiele rodzimych oraz dostosowanych do naszego rynku pakietów oprogramowania. W tym zakresie obok systemów oferujących kompleksowe narzędzia osiągalnych jest także szereg mniejszych aplikacji dedykowanych konkretnemu zadaniu.

Przeglądając zasoby internetowe oraz periodyki popularno-naukowe, które powinny być podstawowym źródłem informacji utylitarnych, zauważyć można brak kompleksowych opracowań wskazujących na dostępne w Polsce oprogramowanie doradcze. Wiedzę o dostępnych systemach czerpać można zazwyczaj ze stron ich producentów. Jednak twórcy rodzimego oprogramowania w małym zakresie dbają o jakość i kompletność swoich stron informacyjnych, zamieszczane opisy programów są lakoniczne, zawierają dużo błędów merytorycznych i stylistycznych, zazwyczaj brak także dobrej jakości zrzutów ekranowych lub filmów instruktażowych. Bardzo często zamieszczone wersje demonstracyjne oprogramowania nie działają na nowszych wersjach systemów operacyjnych lub działają błędnie. Są to dość istotne wady, które skutecznie zniechęcają do korzystania z tego, często bardzo drogiego, oprogramowania.

Oczywiście udostępniane w Polsce oprogramowanie oprócz swoich wad, które są stosunkowo łatwe do wyeliminowania ma też wiele zalet. Związane są one z możliwościami udostępnianych narzędzi, dostępnymi funkcjami koncentrującymi się na dostarczeniu mechanizmów wspomagających nie tylko gromadzenie i przechowywanie informacji i danych ale także na kompleksowej ich analizie z wykorzystaniem szerokiego spektrum metod. Udostępniane aplikacje w różnym zakresie wspomagają podejmowanie decyzji przy zarządzaniu gospodarstwem zajmującym się uprawą roślin oraz hodowlą zwierząt. Pełna lista wybranych, dostępnych w Polsce aplikacji wraz z opisem ich możliwości podawanych przez producenta zamieszczona jest w kolejnym rozdziale. 6. Wybrane aplikacje oraz systemy wspomagania zarz ądzania

gospodarstwem rolniczym

Tworzeniem systemów wspomagania decyzji dla rolnictwa zajmują się zazwyczaj grupy składające się ze specjalistów z ośrodków naukowo-badawczych oraz firm komercyjnych, w skład których obok ekspertów z danej dziedziny wchodzą także specjaliści z zakresu projektowania i implementowania systemów informatycznych. Efektem ich pracy są wytworzone aplikacje okienkowe, jedno - lub wielostanowiskowe oraz systemy w postaci ogólnodostępnych stron internetowych.

Na rynku polskim istnieje wiele produktów rodzimych producentów oprogramowania bądź produktów zagranicznych dostosowanych do naszego rynku. Zamieszczona lista programów, wraz z ich krótkim opisem od producenta, zawiera zarówno systemy kompleksowo wspomagające proces zarządzania gospodarstwem jak i dedykowane konkretnym zadaniom mniejsze aplikacje.

23

6.1. Afifarm – zarządzanie stadem bydła mlecznego opracowany w S.A.E Afikim, dystrybutor Alima-Bis http://www.alimabis.com.pl/?id_str=54&id_kat=36&id_lang=1

System Afifarm jest narzędziem do podejmowania zarówno krótkoterminowych taktycznych decyzji takich jak produkcja w stadzie, zdrowie, płodność, żywienie itd., jak też długoterminowych strategicznych decyzji tj. oszacowanie produkcji stada, planowanie i skuteczność rozrodu, przewidywanie produkcji, analiza przeszłego i bieżącego brakowania, strategia żywieniowa i inne. [Borczyńska-Żbikowska 2009].

System składa się z następujących podsystemów [Szlachta 2006] : • AfiMilk ma za zadanie gromadzenie danych o krowach oraz tworzenie bazy

informacji wykorzystywanych następnie przy zarządzaniu stadem. Po rozpoznaniu krowy przez bazę danych, następuje interpretacja z danymi przesyłanymi z jej identyfikatora i czujników rozmieszczonych w poszczególnych punktach systemu. Parametry umożliwiają ocenę stanu zdrowia i wydajności krów oraz generowanie raportów, pomocnych przy podejmowaniu decyzji dotyczących hodowli.

• AfiFeed zawiera procedury umożliwiające stosowanie indywidualnego żywienia krów mlecznych, oparte na koncepcji obliczania i wydawania porcji paszy dla każdej krowy według jej potrzeb żywieniowych oraz potencjału produkcyjnego.

• Podsystem AfiSort umożliwia separację krów w trakcie przechodzenia przez bramkę selekcyjną. W ten sposób możliwe jest automatyczne kierowanie krów wychodzących z dojarni do wydzielonego pomieszczenia (separatki). Dotyczy to krów, które wymagają zabiegów pielęgnacyjnych, badań weterynaryjnych lub są w rui.

• Podsystem AfiAct służy do automatycznego wykrywania rui na podstawie wzmożonej aktywności ruchowej, przekazywanej przez identyfikator (pedometr). Podsystem AfiAct powala na istotne zwiększenie wskaźnika płodności krów poprzez dokładne wykrywanie rui, pozwalając na redukcję dni laktacji.

• Podsystem AfiWeight umożliwia codzienne ważenie krów, dostarcza informacji odnośnie: kondycji krów i jej zmiany w czasie laktacji, oceny kondycji krów rozpoczynających i kończących okres zasuszenia, co pomaga kontrolować i przewidywać problemy metaboliczne, oceny kondycji krów po wycieleniu, strategii żywieniowej.

• AfiPalm stanowi przydatne dla obsługi uzupełnienie modułu (interfejsu zasadniczego), jest przenośnym terminalem umożliwiającym wprowadzanie i usuwanie danych odnośnie zdarzeń, diagnoz, zabiegów itd.

• Podsystem AfiPaint jest rozwiązaniem alternatywnym wobec podsystemu AfiSort. W obiektach pozbawionych separatki zabiegi prowadzone są w oborach. Podsystem AfiPaint pozwala na znakowanie farbą krów wymagających zabiegów.

6.2. Agrar-Office – kompleksowe zarządzanie gospodarstwem

opracowana w Land-Data Eurosoft Sp. z o.o. http://www.agrar-office.pl/

System informatyczny dla rolnictwa kompleksowo wspomagający zarządzanie gospodarstwem. Program składa się z czterech części: „Dziennik polowy”, „Księga polowa”, „Rolnictwo precyzyjne” i „GIS”. Moduł „Dziennik polowy” pozwala na rejestrowanie prac polowych wykonywanych w gospodarstwie. W jego zakres wchodzi gospodarka magazynowa połączona z zabiegami, plan nawożenia oraz bilans składników pokarmowych. Ponadto wbudowane algorytmy obliczeniowe pozwalają na wykonanie kilkunastu dostępnych kalkulacji. W „Księdze polowej” można porównywać działki ewidencyjne, czyli ich powierzchnię, status prawny itp. Moduł ten wspomaga m.in. przygotowanie wniosku o przyznanie płatności obszarowych. Funkcja „Rolnictwo precyzyjne” pozwala na podstawie danych dotyczących map zasobności gleby w składniki pokarmowe oraz map plonu i zaleceń nawozowych tworzyć mapy precyzyjnego wysiewu nawozu. Udostępniony moduł „GIS”

24

pozwala na graficzne przedstawianie dostępnego areału z podziałem na poszczególne działki z uwzględnieniem informacji o zasobności gleby, plonowaniu itp. [2] [Płocki 2010].

Rys.10. Pole podzielone pod zasiewy w aplikacji Agrar-Office

6.3. AgroAsystent – zarządzanie produkcją roślinną opracowana w AgroPower Sp. z o.o. http://www.agroasystent.pl

Program wspomagający zarządzanie gospodarstwem w produkcji roślinnej, pozwalający na pełną ewidencję prac polowych w rozbiciu na użyte środki do produkcji oraz koszty bezpośrednie.

Umożliwia m. in. proste i wygodne zarządzanie działkami i zasiewami, ewidencję badań gleby i planowanie nawożenia. Oferuje moduły raportów, druków, magazynu, fakturowania. Pomaga w analizie kosztów i w znajdowaniu oszczędności. Umożliwia zarządzanie gospodarstwem z widoku mapy oraz import pomiarów GPS. AgroAsystent pozwala w jednym miejscu gromadzić wszystkie ważne informacje, które następnie można prezentować i analizować zgodnie z potrzebami [3].

Rys.11. Raport dotyczący upraw generowany w programie AgroAsystent

25

6.4. AgroPomiarGPS – pomiar powierzchni pola i zarządzanie areałem opracowana w AgroPower Sp. z o.o. https://www.agropower.pl

AgroPomiarGPS to program komputerowy do wykonywania samodzielnych pomiarów powierzchni technologią GPS w terenie otwartym oraz tworzenia podręcznych mapek terenu. Aplikacja przeznaczona jest do zainstalowania na tzw. komputerach kieszonkowych z systemem Microsoft Windows Mobile/Pocket PC oraz odbiornikiem GPS - zintegrowanym, kablowym lub Bluetooth. Dzięki temu zakupiony sprzęt nie musi służyć tylko i wyłącznie do pomiarów, lecz może pełnić wiele innych funkcji - np. nawigacji samochodowej, przeglądarki internetowej, terminarza, notatnika, odtwarzacza muzyki i filmów itd. Ponadto niektóre Pocket PC dzięki zintegrowanemu modułowi GSM pełnią od razu funkcję telefonu komórkowego. Główne funkcje programu [4]:

• pomiary powierzchni pól, działek ewidencyjnych, upraw i gruntów, • pomiary użytków, nieużytków i ścieżek, • automatyczne obliczanie powierzchni całkowitej, użytkowej i obwodu pola, • wstrzymanie pomiaru, aby np. ominąć przeszkodę, • wznawianie niedokończonych pomiarów, • zapis dowolnej ilości pomiarów w pamięci urządzenia, • dodawanie podkładów SHP z działkami ewidencyjnymi.

Rys.12. Pomiar powierzchni pola z wykorzystaniem programu AgroPomiarGPS. 6.5. AgroSystem – zarządzanie produkcją, obsługa wniosków o dopłaty

opracowana w CeeS Programs http://www.doplaty.pl

AgroSystem jest to kompleksowy, wielofunkcyjny program do obsługi wniosków o dopłaty dla gospodarstw rolniczych oraz branż związanych z rolnictwem. Dzięki modułowej budowie AgroSystem może być używany przez małe i duże gospodarstwa rolnicze oraz przez firmy zajmujące się obsługą gospodarstw [5].

Aplikacja składa się z następujących modułów [5]: • wnioski składane do Agencji Restrukturyzacji i Mode rnizacji Rolnictwa -

podstawowym produktem w tym module jest wniosek Przyznanie płatności bezpośrednich (OB); W programie dostępne są również różnego rodzaju oświadczenia składane do ARiMR wraz z wnioskami np.: Oświadczenie o gatunkach zbóż czy Wpis do ewidencji producentów,

• wnioski składane do Agencji Rynku Rolnego - najważniejszym wnioskiem w tym module jest Materiał siewny (Dms) wraz z załącznikami,

• ksi ęgi zwierz ąt: bydła, trzody, owiec i kóz - moduł przeznaczony do prowadzenia Ksiąg Rejestracji Zwierząt,

26

• rzeźnia - jest to moduł do użytku w ubojniach zwierząt. Pozwala zarejestrować ubite zwierzęta oraz wydrukować zgłoszenia uboju do Agencji Restrukturyzacji i Modernizacji Rolnictwa. Moduł tworzy zbiór danych w formacie XML, który można na nośniku (dyskietka, płyta CD) dostarczyć do ARiMR bez drukowania tych zgłoszeń na papierze,

• handel zwierz ętami - jest to moduł umożliwiający szybką obsługę zakupu i sprzedaży zwierząt,

• cross - moduł zawiera rejestry prowadzone przez producenta rolnego w zarządzaniu gospodarstwem zgodnie z przepisami obowiązującymi w ramach Wymogów Wzajemnej Zgodności.

•

Rys.13. Zarządzanie areałem w programie AgroSystem

6.6. AlPro – zarządzanie stadem bydła mlecznego opracowany przez DeLaval http://www.delaval.pl/Products/Milking/HerdManagement/ALPRO/default.htm

System ALPRO umożliwia łatwy dostęp do wszystkich informacji niezbędnych dla aktywnego zarządzania stadem i osiągania zaplanowanych wyników ekonomicznych. Wraz z systemem informatycznym udostępniany jest też zestaw urządzeń wyposażonych w procesor oraz czujniki pozwalające na gromadzenie i przetwarzanie danych. Dostarczone oprogramowanie umożliwia codzienną analizę uzyskanych danych co pozwala hodowcy na zachowanie równowagi pomiędzy działaniami krótkoterminowymi w aspekcie oczekiwań długoterminowych. Użytkownik może oceniać trendy, przyjętą strategię, korygować decyzje i szacować wyniki [Szlachta 2006].

System składa się z następujących elementów [Szlachta 2006]: • Dane krowy - zawiera szereg funkcji wspomagających analizę danych dla każdej

krowy takich jak: wprowadzanie lub wyszukiwanie numeru identyfikacyjnego, prezentowanie wszystkich danych hodowlanych, informowanie hodowcy na jakim etapie hodowlanym znajduje się krowa, informowanie o aktywności krowy itp.

• Dane żywieniowe - zawiera dane dotyczące aspektów żywieniowych pozwala na dostosowanie odpowiedniego rodzaj i dawki zadawanej paszy treściwej do aktualnej wydajności krowy raz zawartości białka i tłuszczu w mleku.

• Dane udojowe - zawiera podstawowe informacje o wydajności krów, które można wykorzystać do kalkulowania dawek pokarmowych pojedynczych krów, grup krów lub całego stada. Mogą one także służyć do tworzenia aktualnych krzywych laktacji lub

27

wykrywania początków problemów zdrowotnych zanim przybiorą one ostrą formę. • Czynno ści - Hodowla – obejmuje procedury zarządzania rozrodem; ma istotny

wpływ na wszystkie wskaźniki produkcyjne stada i osiągane dochody. Zawiera 7 funkcji: Pierwsza ruja – funkcja wykazuje wszystkie krowy w okresie pierwszej rui, Inseminacja – funkcja wykazuje wszystkie krowy znajdujące się fazie inseminacji, Sprawdzenie inseminacji – funkcja wykazuje wszystkie krowy inseminowane, Sprawdzenie cielności – funkcja pokazuje wszystkie krowy znajdujące się w okresie sprawdzania cielności, Zasuszenie – funkcja informuje o wszystkich krowach do zasuszenia, Wzrost płodu – funkcja wykazuje wszystkie krowy przed wycieleniem, Wycielenie – funkcja ta ukazuje wszystkie krowy w okresie spodziewanego wycielenia.

• Czynno ści - Żywienie – opcja ta dostarcza hodowcy informacji takich jak: Małe spożycie – funkcja ta pokazuje wszystkie krowy z jedno- lub trzydniowymi alarmami, Odstawienie cieląt – funkcja dostępna przy korzystaniu ze stacji odpajania cieląt. • Czynno ści - Dój obejmuje funkcje: Krowy nie dojone – funkcja ta wykazuje krowy nie dojone w danej sesji, Alarm niskiej wydajności – funkcja wykazuje wszystkie krowy z niską wydajnością. Opcja Wysoka aktywność krów – informacja o wysokiej aktywności krowy. • Czynno ści - Podsumowanie - głównie informuje ile krów jest w określonym etapie hodowlanym oraz ile krów ma przypisane alarmy: mały udój, małe spożycie paszy, wczesne ostrzeganie itp.

6.7. AnaPig – ocena użytkowości zwierząt i zarządzanie hodowlą

opracowana przez Mroczko Software (dr Leszek Mroczko) http://www.mroczko.com.pl

AnaPig to program komputerowy przeznaczony dla każdego hodowcy i producenta świń. Jest to produkt w pełni profesjonalny, umożliwia szybkie i efektywne przetwarzanie danych z zakresu użytkowości zwierząt i poziomu produkcji danej fermy [7].

Najważniejsze cechy programu [7]: • możliwość prowadzenia wielu stad w jednym programie, • obsługa stad zarodowych i towarowych, • prowadzenie indywidualnych kartotek loch, knurów, miotów, pokryć, zdarzeń

produkcyjnych i hodowlanych, leczenia, zabiegów weterynaryjnych itd., • wyliczanie wyników produkcyjności stada, • łatwość wprowadzania danych (pokrycia, oproszenia, poronienia, zakupy, sprzedaże,

przeklasowania, upadki, przyrosty oraz zużycie i koszty pasz, choroby i zabiegi weterynaryjne, praca hodowlana i inne),

• ścisła współpraca z Centralną Bazą Internetową Polskiego Związku Hodowców i Producentów Trzody Chlewnej „Polsus”

• wszystkie dane są wprowadzane tylko jeden raz, system automatycznie uzupełnia odpowiednie zbiory danych,

• szeroki wachlarz raportów produkcyjnych, m. in. listy loch do oproszenia, odsadzenia, krycia, szczepienia, raporty miesięczne, kwartalne, roczne i inne, karty loch i knurów, raporty użytkowości loch i knurów, raport skuteczności pokryć, księga inwentarza żywego, księga rejestracji świń, zgłoszenia do ARiMR, obrót stada, analizy kosztów, analiza przyczyn wybrakowania i upadków zwierząt itd.,

• wiele innych raportów, zestawień, analiz i wykresów.

28

Rys.14. Interfejs programu AnaPig 3.05

6.8. Bitfarma – ewidencjowanie zdarzeń i zarządzanie produkcją rolniczą opracowana w BitComp Polska i CDR Brwinów http://www.bitfarma.pl

Program komputerowy Bitfarma jest narzędziem informatycznym służącym do ewidencjonowania zdarzeń gospodarczych w gospodarstwach rolnych a także do wspomagania procesu planowania i podejmowania decyzji z zakresu bieżącego zarządzania produkcją roślinną. Oprogramowanie zostało przygotowane przez firmę Bitcomp Polska i Centrum Doradztwa Rolniczego. Program Bitfarma jest przeznaczony zarówno dla rolników jak i dla doradców rolniczych. Przy użyciu jednej instalacji programu można prowadzić zapisy dla wielu gospodarstw rolnych co jest szczególnie istotne z punktu widzenia doradców rolniczych. Bitfarma jest programem działającym na lokalnym komputerze użytkownika i dla sprawnego działania nie wymaga w trakcie użytkowania połączenia z Internetem. Połączenie internetowe jest wymagane dla aktualizacji programu oraz do przesyłania danych do Hurtowni Danych. Obecnie program składa się z następujących głównych elementów: rejestr działek ewidencyjnych, rejestr działek rolnych, karta działki rolnej, moduł ekonomiczny, moduł magazynowy, moduł map, raporty [8].

Rys.15. Ewidencjonowanie działek w programie Bitfarma

29

6.9. Biogaz – analiza opłacalności działania biogazowni opracowana w Laboratorium Ekotechnologii Instytutu Inżynierii Rolniczej Uniwersytetu Przyrodniczego w Poznaniu http://www.ekolab.up.poznan.pl/biogaz.html

System informatyczny w postaci ogólnodostępnej aplikacji internetowej wspomagającej analizę opłacalności działania zaprojektowanej biogazowni. W ocenie biogazowni uwzględnia się różne rodzaje odpadów oraz materiałów powstających w trakcie produkcji rolniczej (zwierzęcej i roślinnej) będących substratami metanowej fermentacji. Uzyskane w wyniku kalkulacji wyniki ułatwiają podjęcie decyzji o ew. budowie biogazowni i stanowią podstawę dla dalszych badań w postaci kompleksowej analizy składu substratów oraz ich wydajności w zakresie wytwarzania biogazu (wraz z zawartością metanu). Badania takie można wykonać bezpośrednio w Laboratorium Ekotechnologii z wykorzystaniem unikalnej w skali polskich jednostek naukowych aparatury do badań optymalizacyjnych procesów fermentacji metanowej [9].

Rys.16. Efekt działania aplikacji Biogaz

6.10. BiOBkalkulator – zarządzanie produkcją i przetwarzaniem biomasy opracowany przez Konsorcjum projektu BiOB, http://biob.wipie.ur.krakow.pl/ Uniwersytet Rolniczy im. H. Kołłątaja w Krakowie

BiOBkalkulator jest informatycznym systemem kompleksowego doradztwa w zakresie produkcji i przetwarzania biomasy jako substytutu konwencjonalnych nośników energii wykorzystywanych do celów grzewczych. Ma on charakter modułowy, tj. wyodrębniono cztery oddzielne moduły, z których użytkownik może korzystać niezależnie lub w połączeniu z pozostałymi modułami [10].

Moduł 1: pozwala oszacować zapotrzebowanie na energię do ogrzewania budynku (konwencjonalnymi nośnikami energii lub biomasą), oraz wykonać szacunkowy audyt energetyczny budynku.

30

Moduł 2: pozwala oszacować (a) nakłady robocizny i nakłady energetyczne na wytworzenie biomasy w uprawach polowych oraz (b) koszty wytworzenia biomasy i energii w biomasie.

Moduł 3: pozwala oszacować (a) nakłady robocizny i nakłady energetyczne na przetwarzanie biomasy w biopaliwa stałe (brykiety lub pelety) oraz (b) koszty.

Moduł 4: zawiera bazę urządzeń technicznych do wytwarzania, przetwarza i spalani biomasy.

Rys.17. Moduł wytwarzania biomasy w aplikacji BiOBkalkulator

6.11. FarmWorks Office – zarządzanie produkcją polową opracowane w FarmWorks http://www.farmworks.pl/ http://www.farmworks.com/

Zestaw aplikacji pozwalających na zarządzanie uprawami, dokonywanie automatycznych zapisów na temat wykonywanych działań, użycia środków chemicznych, kosztów i planowania zadań rolniczych itp.. W skład zestawu wchodzą: FarmView, FarmTrack, FarmFunds, FarmSite, FarmPro i FarmSurface.

Podstawowymi funkcjami systemu FarmTrack są [11]: • łączenie i dzielenie poszczególnych działek i upraw na potrzeby zmian w strukturze

gospodarstwa, • śledzenie wpływów, zbiorów i wykorzystania środków produkcji w gospodarstwie; • ewidencjonowanie wykorzystanych nawozów, nasion, środków ochrony roślin,

warunków pogodowych oraz zbiorów poszczególnych upraw, • tworzenie planów dawkowania środków ochrony roślin,

31

• kontrolowanie stanu maszyn, przeglądów okresowych oraz działań serwisowych, • automatyczne rejestrowanie i druk wymagań dla środków niebezpiecznych, • wyznaczenie kosztów i zużycia środków produkcji, • tworzenie zestawień kosztów stosowania środków produkcji, plonów, pól, analiz oraz

pracy maszyn, • łączenie z programem FarmSite w celu uzyskania danych mapowych GPD, danych

dotyczących zbiorów, próbek gleby oraz dawkowania nawozów, • tworzenie list zadań dla pracowników i rozsyłanie list na konkretne urządzenie

mobilne,. • drukowanie notatek i uwag dla poszczególnych działek oraz terminów, • dostosowywanie raportów i list do potrzeb gospodarstwa. Aplikacja FarmSite wprowadza obsługę warstw i współpracę z danymi GPS. Obsługuje

nieograniczoną ilość warstw, od warstw zawierających dane dotyczące rodzaju gleby, próbek glebowych, poprzez dane o zbiorach z zeszłego roku do planowanych zbiorów w latach kolejnych.

Rys.18. Fragment głównego okna programu FarmWorks Office

6.12. Internetowy System Sygnalizacji Agrofagów opracowany przez Państwową Inspekcję Ochrony Roślin i Nasiennictwa http://piorin.gov.pl/sygn/start.php

Dostępny w internecie system informatyczny zwierający aktualizowane na bieżąco informacje dotyczące występowania zagrożeń w plantacjach w poszczególnych rejonach Polski. Dane te pochodzą z placówek badawczych prowadzących obserwacje sygnalizacyjne we wszystkich gminach każdego powiatu. Na typowej stronie sygnalizacyjnej wszystkie rośliny uprawiane w rejonie umieszczone są w kolejności alfabetycznej. Pod każdą z roślin wymienione są agrofagi, które w danym roku podlegają sygnalizacji, czyli te, które stanowią główne zagrożenie dla upraw mających gospodarcze znaczenie w danym powiecie. Dla każdego z szkodników dostępne są także szczegółowe zalecenia dotyczące m.in. terminu rozpoczęcia zabiegu, nazw zarejestrowanych preparatów, którymi w danym terminie można chronić rośliny, informacje o środkach ochrony i częstotliwości ich stosowania [12] [Kołczyńska-Janicka 2008].

32

Rys.19. Zasada działania Internetowego Systemu Sygnalizacji Agrofagów

6.13. Internetowy SWD dla integrowanej ochrony ro ślin opracowany w Instytucie Uprawy, Nawożenia i Gleboznawstwa w Puławach http://www.ipm.iung.pulawy.pl

Głównym założeniem Systemu jest precyzyjne wykorzystywanie wartości progowych do wygenerowania zalecenia o potrzebie wykonania zabiegu. System umożliwia interaktywny dostęp do informacji, zawartych w bazach danych odmian i środków ochrony roślin oraz generowanych w modelach chorób. Podstawą decyzyjną systemu stanowią opracowane progi szkodliwości, które stanowią granicę opłacalności kosztu zabiegu przy spodziewanych stratach plonu. Są one ustalane, podobnie jak i zalecana dawka środka ochrony roślin, dla konkretnej odmiany i fazy rozwojowej roślin. Wymaga to każdorazowo określenia występowania i nasilenia agrofagów, a więc i dużej wiedzy z zakresu fitopatologii i entomologii. W budowie Systemu uwzględniono czynniki decydujące o potrzebie wykonania zabiegu oraz umożliwiające wybór preparatów i określenia dawki. Najważniejsze elementy uwzględnione w systemie to: faza rozwojowa zbóż (wg Zadoka), stopień infekcji (liczba roślin z symptomami wyrażona w procentach), odporność odmian na choroby, warunki pogodowe, skuteczność pestycydów [Nieróbca i in. 2010] [13].

Rys.20. Przykład działania Internetowego systemu wspomagania podejmowania decyzji w integrowanej ochronie roślin

33

6.14. Liz-Herbicyd – optymalizacja zastosowania herbicydów i graminicydów

opracowany przez LIZ - Rolnicze Doradztwo w Uprawie Buraka Cukrowego http://www.liz-herbizid.de/?lang=pl&herbconf=pl

Program komputerowy LIZ-Herbicyd optymalizuje zastosowanie herbicydów i graminicydów uwzględniając [14]:

• fazę rozwojową buraków, • gatunek i fazę rozwojową chwastów jedno i dwuliściennych, • aktualne warunki w których zostaną zastosowane ( pogoda, gleba, stan buraków,

wcześniej wykonane zabiegi) a mające wpływ na skuteczność wykonanego zabiegu, • możliwość wyboru herbicydów alternatywnych, • ceny. Dodatkowo program umożliwia wykonanie szacunku wstępnego na potrzebne herbicydy

we wszystkich przewidywanych zabiegach.

Rys.21. Efekt działania programu LIZ-Herbicyd

6.15. Nawsald – sporządzanie planów nawożenia w gospodarstwach rolnych opracowana w Instytucie Uprawy, Nawożenia i Gleboznawstwa w Puławach http://sybilla.iung.pulawy.pl/NawSald.html

Program NawSald jest narzędziem do sporządzania planów nawożenia w gospodarstwach rolnych. W gospodarstwach zrównoważonych nawożenie mineralne należy traktować jako uzupełnienie nawożenia organicznego. Zatem podstawą zrównoważonego nawożenia jest możliwie precyzyjne określenie ilości dostępnych w gospodarstwie nawozów naturalnych oraz ilości zawartych w nich składników pokarmowych.

Integralną częścią programu NawSald jest moduł umożliwiający symulowanie produkcji nawozów naturalnych na podstawie informacji o produkcji zwierzęcej w gospodarstwie. Obliczona ilość nawozów naturalnych powinna być rozdysponowana na poszczególne pola w gospodarstwie. Dawki nawozów mineralnych są wyliczane jako różnica pomiędzy potrzebami pokarmowymi roślin a ilością składników wnoszonych do gleby w nawozach naturalnych i dopływających z innych źródeł (przyorane produkty uboczne, wiązanie azotu przez rośliny motylkowate, opad atmosferyczny) [15].

34

Rys.22. Efekt działania aplikacji NawSald

6.16. Obora – zarządzanie gospodarstwem hodowlanym objętym oceną użytkowości opracowana w ZETO Olsztyn http://www.zeto.olsztyn.pl/index.php?id=471

System "OBORA" przeznaczony jest dla hodowców bydła mlecznego, wspomaga zarządzanie gospodarstwem hodowlanym objętym oceną użytkowości. System jest w pełni zintegrowany z krajowym systemem Oceny Wartości Użytkowej i Hodowlanej Krów i Buhajów (SYMLEK) [16].

System udostępnia następujące funkcjonalności [16]: • karta krowy/jałówki – dane pochodzeniowe, dane produkcyjne, wyniki próbnych

udojów, wydajności laktacyjne, wydajności życiowe, wydajności miesięczne, wydajności roczne, porównanie wyników do średniej stada, informacje o ostatnich zdarzeniach, dane o potomstwie, dane o ocenie typu i budowy, dane o wartościach hodowlanych cech produkcyjnych i pokrojowych,

• karta obory – średnie wyniki roczne, średnie wyniki laktacyjne w grupach wg numeru laktacji oraz łącznie dla stada, wyniki miesięczne z możliwością porównania do planowanej produkcji miesięcznej, aktualne wyniki bieżącego roku z jednoczesnym porównaniem do analogicznego okresu roku poprzedniego,

• karta zdrowia – rejestracja badań, chorób, pokryć, porodów, kondycji, rui, wyników ważenia jałówek, rejestracja własnych ocen pokroju,

• karta buhaja – dane pochodzeniowe, wartości hodowlane, wartości hodowlane cech mlecznych i komórek somatycznych, wartości hodowlane cech pokroju, wartości hodowlane cech płodności, wartości hodowlane długowieczności, fenotypowa charakterystyka ocieleń i śmiertelności cieląt,

• ksi ęga rejestracji bydła – prowadzenie dokumentów wymaganych przez ARiMR, • ksi ęga obrotu inwentarzem żywym , • selekcja zwierz ąt – selekcja krów/ jałówek/ buhajów wg wybranych kryteriów z

możliwością uzyskania dowolnych zestawień oraz rankingów dla wyselekcjonowanych zwierząt,

• prognozowanie zdarze ń (wycielenia, zasuszenia, pokrycia, badania), • obliczenie współczynnika pokrewie ństwa dla wyselekcjonowanych krów/jałówek i

buhajów,

35

• analizy i raporty – próbne udoje, cechy płodności, choroby, analizy związane z wydajnością, rozrodem i somatyką.

Rys.23. Analiza wydajności w programie Obora

6.17. OTR-7 - programowanie techniki w gospodarstwach rolnych opracowany przez dra hab. Michała Cupiała, Instytut Inżynierii Rolniczej i Informatyki. Uniwersytet Rolniczy im H. Kołłątaja w Krakowie http://www.cupial.mcpk.net/index.php?id=Programy&id1=Otr7

Program Organizator Techniki Rolniczej (OTR-7) służy do projektowania gospodarstw rolnych, a przede wszystkim do projektowania techniki rolniczej. Podstawą projektowania parku maszynowego jest zmodyfikowana metoda szczytów dekadowych. Program umożliwia [17]:

• wyliczenie bilansu gospodarstwa, • wyliczenie opłacalności poszczególnych upraw, prowadzonej produkcji zwierzęcej i

innej, • kalkulacje kosztów mechanizacji (w tym poszczególnych maszyn), • projektowanie zespołów maszynowych, • optymalizację dobory środków technicznych oraz całego systemu produkcji, • tworzenie różnych wariantów (modeli) gospodarstw, • organizację usług mechanizacyjnych przez rolnika (kalkulacja opłacalności usług). Aplikacja współpracuje z programami: Maszyny-2, Nawozy-2, Herbicyd-2, Agregat-2,

Bilenero. Aplikacja Maszyny-2 zawiera dane kilku tysięcy maszyn,są też adresy producentów i sprzedawców.

Aplikacja Nawozy-2 służy do wyliczania dawki nawozów. Herbicyd-2 zawiera dane roślin, szkodników (agrofagów), środków ochrony roślin oraz sposobów ich stosowania. Agregat-2 może być zastosowany do liczenia transportu lub agregatu takiego jak np.

36

roztrząsacz obornika, wóz asenizacyjny, zbieracz pokosów itp. Bilenero może być zastosowany do liczenia zapotrzebowania mocy przez maszynę.

Rys.24. Programy OTR-7 wspomagający programowanie techniki w gospodarstwach rolniczych, Nawozy-2 do wyliczania dawki nawozu i Herbicyd-2 z informacjami o agrofagach i środkach ochrony

6.18. prosPlant – wspomaganie ochrony roślin uprawnych

opracowany w Zakładzie Informatyki Stosowanej, Instytucie Inżynierii Rolniczej UP Poznań http://iir.up.poznan.pl/prosplant

prosPlant to zintegrowana platforma internetowa wspomagająca podejmowanie decyzji związanych z ochroną plantacji wybranych roślin uprawnych. W ramach systemu udostępnione są informacje dotyczące szkodników i chorób, odmian, zapraw nasiennych, środków ochrony roślin dostępnych w Polsce oraz metod i terminów stosowania zabiegów ochronnych. System pozwala na identyfikację szkodników lub chorób występujących na plantacji użytkownika oraz ułatwia sformułowanie programu ochrony plantacji. Obejmuje on poszczególne etapy podejmowania decyzji począwszy od wyboru odmiany poprzez przygotowanie materiału siewnego do ochrony rośliny przy wykorzystaniu różnych metod ochrony.

System doradczy podzielono na trzy powiązane ze sobą warstwy w obrębie których pracują poszczególne moduły. W pierwszej warstwie zgrupowano bazy danych i bazy wiedzy zawierające wszystkie informacje wykorzystywane w procesie podejmowania decyzji. Natomiast dane do identyfikacji agrofagów zaprojektowane w postaci drzew decyzyjnych przekonwertowano do postaci powiązanych ze sobą tablic decyzyjnych [18].

W aktualnej wersji udostępnione są moduł wnioskowania dla trzech roślin uprawnych: rzepaku, kukurydzy oraz buraka cukrowego. Na rysunkach prezentowane są wybrane elementy systemu.

37

Rys.25. Zaimplementowane w systemie prosPlant drzewo decyzyjne do oznaczania szkodników na podstawie charakterystycznych uszkodzeń rzepaku ozimego

Rys.26. Moduł informacyjny systemu prosPlant prezentujący wiedzę na temat szkodników rzepaku ozimego

38

Rys.27. Moduł decyzyjny systemu prosPlant dla identyfikacji zagrożeń występujących w buraku cukrowym

6.19. Predykcja plonu i zawarto ści skrobi dla bulw ziemniaków

opracowany w Instytucie Inżynierii Rolniczej, UP Poznań http://iir.up.poznan.pl/ziemniak

Aplikacja internetowa wspomagająca oszacowanie plonu ziemniaków oraz określenie zawartości skrobi bulw ziemniaków w uprawach PDO. Wytworzona aplikacja bazuje na modelu prognostycznym opracowanym z wykorzystaniem sztucznych sieci neuronowych. Do przeprowadzenie analizy wymaga się podania następujących danych: odmiana ziemniaka, suma opadów w okresie wegetacji, średnia temperaturę w okresie wegetacji, obsada, rozstaw roślin w rzędzie, termin sadzenia, termin zbioru, kompleks rolniczej przydatności gleby, odczyn gleby, nawożenie mineralne N, nawożenie mineralne P, nawożenie mineralne K, dawka obornika, dojrzałość początkowa, dojrzałość końcowa, wschody [19].

Rys.28. Aplikacja wspomagająca oszacowanie plonu oraz zawartości skrobi dla bulw ziemniaków w uprawach PDO

39

6.20. Ramzes AGRO – wspomaganie rachunkowości w gospodarstwie opracowana w RAMZES sp. z o.o. http://www.ramzes.pl/programy/23/aplikacja-ramzes/ramzes-agro

Zestaw aplikacji zawierający produkty Ramzes Magazyn i Ramzes PKPiR dedykowany dla osób prowadzących rolniczą działalność gospodarczą.

Do podstawowych funkcji pakietu należą m.in. [20]: • pełna obsługa magazynu: m.in. dokumenty magazynowe, inwentaryzacja, bilans

otwarcia, • pełna obsługa zakupu i sprzedaży:

- wydruk faktury VAT, korygującej, faktury RR i innych dokumentów sprzedażowych, - tworzenie cenników, rabatów i upustów dla kontrahentów lub towarów, - obsługa urządzeń fiskalnych (m.in: Innova, Posnet, Elzab).

• pełna obsługa kasy: - wydruk KP, KW i raportów kasowych, - automatyczny wydruk dokumentów do faktur gotówkowych.

• całkowita kontrola zobowiązań i należności: - rejestracja przelewów obcych oraz ewidencjonowanie wpłat i wypłat bankowych, - rozliczenie dokumentów w oparciu o kasę i bank, - wezwania do zapłaty wraz z odsetkami.

• prowadzenie książki przychodów i rozchodów: - równoległe prowadzenie ewidencji przychodów i rozchodów oraz rejestrów VAT, - obsługa rejestrów WDT, WNT, WŚU, - wydruk deklaracji (VAT-7, VAT-7K, VAT-7D, VAT-UE, VAT-UEK), - obliczanie (miesięcznie i kwartalnie) zaliczek na podatek dochodowy, - drukowanie Księgi (wzór określony w Rozporządzeniu Ministra Finansów), - ewidencja przebiegu oraz kosztów eksploatacji pojazdów (kilometrówka), - prowadzenie rozrachunków dokumentów przychodowo-rozchodowych, - tworzenie, przeglądanie i drukowanie raportów dotyczących: księgi, pojazdów,

wyposażenia, przychodów i zestawienia rocznego, - sporządzanie przelewów przychodzących i wychodzących, - sporządzanie not korygujących, - obsługa kont umożliwiających analizę kosztów, - programowanie stałych wzorów zdarzeń gospodarczych.

Rys.29. Okno główne z listą modułów dostępnych w pakiecie Ramzes AGRO.

40

6.21. SYMLEK – ocena użytkowości oraz ocena hodowlana krów i buhajów opracowana w ZETO Olsztyn http://www.zeto.olsztyn.pl/index.php?id=473 http://www.pfhb.pl/?strona=symlek_polaczenie.htm

SYMLEK jest systemem informatycznym obsługującym zadania realizowane w ramach oceny użytkowości krów oraz oceny hodowlanej krów i buhajów. System oceny zgodny jest z wymogami ICAR (International Committee for Animal Recording) oraz z przepisami polskimi i unijnymi, m.in.: numeracja krów zgodna jest z wymogami systemu IACS (Integrated Administration and Control System) [21a].

System umożliwia [21b]: • ocenę użytkowości mlecznej krów, • identyfikację i rejestrację bydła (krajowego i z importu), • rejestrację obór ocenianych, • rejestrację próbnych udojów i zdarzeń pomiędzy próbnymi udojami, • obliczanie wydajności okresowych dla krów i obór, • obliczanie wydajności laktacyjnych i życiowych dla krów, • obliczanie wydajności narastających i przeciętnych dla obór, • emisję zestawień dla hodowcy, przekazywanie hodowcom informacji w formie

elektronicznej do systemów lokalnych typu FERMA, OBORA, WESTFALIA, • selekcję krów wg określonych parametrów, • archiwizowanie danych, • analizy związane z: wydajnościami rocznymi i laktacyjnymi w różnych przekrojach,

strukturą wiekową stada, sezonowością wycieleń, użytkowaniem rozpłodowym krów, strukturą okresów międzywycieleniowych,

• rodowody bydła, • szacowanie wartości hodowlanej krów i buhajów w zakresie cech produkcyjnych oraz

cech pokroju, • wybór kandydatek na matki buhajów, • rozliczenie dotacji do ocenianych pierwiastek, • ocenę typu i budowy bydła: przygotowanie list dla selekcjonerów lub zbiorów na

komputery PSION, wprowadzenie oceny, • rejestrację w księgach zwierząt hodowlanych: wstępną selekcję krów kandydujących

do wpisu, rejestrację wniosków hodowców, przygotowanie świadectw dla selekcjonerów, dokonanie wpisu do ksiąg, automatyczny wpis krów do RWW i RWŻ,

• rejestrację zabiegów sztucznej inseminacji na podstawie systemu INSEMIK, • dostęp do bazy systemu poprzez internet. W bazie systemu znajdują się informacje o krowach, oborach, cieliczkach i buhajach. Dostęp do systemu jest możliwy tylko dla zarejestrowanych użytkowników.

6.22. WinPasze – bilansowanie i optymalizacja receptur paszowych

opracowana przez Mroczko Software (dr Leszek Mroczko) http://www.mroczko.com.pl

WinPasze to program komputerowy do bilansowania i optymalizacji receptur paszowych. Jest przeznaczony do przygotowywania receptur paszowych dla różnych gatunków zwierząt. Głównym zadaniem Programu jest bilansowanie i optymalizacja receptur paszowych - mieszanek treściwych, dawek pokarmowych, koncentratów, superkoncentratów oraz premiksów. Prosta konstrukcja programu oraz łatwość obsługi sprawiają, że program ten może być użytkowany zarówno przez zaawansowanego technologa w wytwórni pasz, doradcę Ośrodka Doradztwa Rolniczego lub firmy paszowej, rolnika, studenta czy ucznia szkoły średniej [22].

41

Rys.30. Okno generowania receptur programu WinPasze 6.23. ZeaSoft – wspomaganie integrowanej uprawy kukurydzy

opracowana w Instytucie Uprawy, Nawożenia i Gleboznastwa w Puławach http://www.zazi.iung.pulawy.pl/Documents/ProgramZeasoft.htm

System ZeaSoft, wspomaga podejmowanie decyzji w integrowanej uprawie kukurydzy. Gromadzi on pokaźne zbiory danych w bazach danych, w modelach (dane w postaci przetworzonej) a także w plikach tekstowych (część opisowa systemu). System generuje zalecenia i informacje uprawowe na podstawie danych wewnętrznych i parametrów wprowadzonych przez użytkownika [23].

W skład interaktywnej części programu wchodzą następujące moduły: • fenologia kukurydzy, • parametry technologiczne, • nawożenie, • analiza ekonomiczna. W module FENOLOGIA określa się datę siewu, datę dojrzewania, prawdopodobieństwo

osiągnięcia dojrzałości i przybliżony plon wybranej odmiany kukurydzy. Moduł PARAMETRY TECHNOLOGICZNE służy do wyboru technologii uprawy i bardziej precyzyjnego określenia powierzchni pola, plonu (zielonki, kolb lub ziarna) i kosztów środków ochrony roślin. W module NAWOŻENIE określa się dokładnie potrzeby pokarmowe kukurydzy, ustala dawki NPK, Ca i Mg oraz dobiera się nawozy mineralne. Moduł ANALIZA EKONOMICZNA służy do przedstawienia oczekiwanej nadwyżki bezpośredniej dla wybranej odmiany na tle kilku typów wczesności kukurydzy (określonych liczbą FAO) oraz kosztów bezpośrednich produkcji i wyniku ekonomicznego. Obliczenia wykonywane są natychmiast i można je powtarzać wielokrotnie aż do uzyskania zadawalającego rezultatu. Wyniki obliczeń w formie tekstowej i graficznej wyświetlane są na ekranie. Tekst zapisywany jest także do pliku, który można odczytać np. w notatniku (aplikacja Windows NOTEPAD.EXE) [23].

42

Rys.31. Moduł fenologia kukurydzy w aplikacji ZeaSoft

6.24. Ziarbit – analiza procesów suszenia i przechowywania ziarna zbóż opracowany w Zakładzie Informatyki Stosowanej, Instytucie Inżynierii Rolniczej UP Poznań http://iir.up.poznan.pl/ziarbit

Ziarbit jest internetowym systemem informatycznym wspomagającym analizę procesów suszenia i przechowywania ziarna zbóż, projektowanie nowych bądź modernizowanie istniejących urządzeń i procesów technologicznych w tym zakresie, a także zarządzanie takimi systemami. Obejmuje następujące moduły [24]:

1. Bazy danych (Metody prognozowania procesów; Metody suszenia; Właściwości ziarna; Właściwości powietrza; Analiza pracy suszarek; Modele suszarek; Urządzenia pomocnicze: Silosy, Wentylatory, Nagrzewnice, Przenośniki, Kosze przyjęciowe; Literatura).

2. Obliczenia (Analiza pracy suszarek: Suszarki daszkowe, Silosy; Prognozowanie procesów suszenia: Suszenie przepływowe, Suszenie wsadowe, Modele cienkiej warstwy; Właściwości powietrza; Równowagowa zawartość wody; Opory przepływu powietrza).

3. Wspomaganie decyzji (w obecnej wersji oparte na mechanizmie wnioskowania NxBRE dostosowanym do platformy .NET).

4. Wyszukiwanie (wyszukiwanie w Internecie tekstów, fotografii i filmów z zakresu suszenia i przechowywania ziarna zbóż, z użyciem wstępnie zdefiniowanych haseł, z możliwością zapisywania uzyskanych treści i łączy).

Rys.32. Obliczanie oporów przepływu powietrza dla suszarki w aplikacji Ziarbit

43

6.25. Zootechnik – zarządzanie stadem bydła w produkcji mlecznej i mięsnej

opracowana w AgroPower sp. z o.o. https://www.agropower.pl/Default.aspx?h=produkty&q=2

Program wspomagający zarządzanie stadami bydła w produkcji mlecznej i mięsnej, przeznaczony dla hodowli małych i dużych. Główne funkcje programu [25]:

• przypominanie o zadaniach do wykonania - wydruk harmonogramu, • prowadzenie księgi bydła, • wydruk dokumentów hodowlanych wymaganych przez ARiMR, • rejestracja pomiarów mleka i wagi, • import danych z SYMLEK, • rejestracja danych zdrowotnych i płodnościowych, • generowanie zestawień i analiz, graficzna prezentacja wyników, • selekcje oraz grupowanie bydła.

Rys.33. Zarządzanie stadem w aplikacji Zootechnik Bydło. 7. Podsumowanie

Efektem dynamicznego rozwoju metod wspomagania decyzji jest udostępnienie dojrzałych technik doradczych znajdujących coraz szersze zastosowanie w komputerowych systemach wspomagania decyzji dedykowanych rożnym dziedziną aktywności człowieka. Obecnie najpopularniejszymi systemami doradczymi są systemy informatyczne gromadzące, przetwarzające i udostępniające informacje w postaci danych oraz wiedzy niezbędnej do podjęcia optymalnej w danej sytuacji decyzji. Obok tych informacji systemy udostępniają także moduły obliczeniowe korzystające z tradycyjnych technik doradczych opartych zazwyczaj na modelach porównawczych i analitycznych pozwalających na przeprowadzenie różnego rodzaju kalkulacji, z wykorzystaniem modeli matematycznych, wspomagając w ten sposób użytkownika w podjęciu optymalnej decyzji.

Jednak systemy doradcze to nie tylko bazy danych z modułami obliczeniowymi i interfejsem. Nowoczesne systemy udostępniają także szereg technik informatycznych automatyzujących proces podejmowania decyzji poprzez analizę sytuacji problemowej i proponowanie potencjalnych rozwiązań. W tym zakresie istotną rolę pełnią systemy ekspertowe oraz informacje przez nie udostępnione. W systemach tych, zapisana wiedza przyjmuje postać baz wiedzy zawierających informacje pochodzące bezpośrednio od specjalistów z danej dziedziny oraz zestaw reguł, faktów i przesłanek opisujących sytuacje problemowe wraz z możliwościami ich rozwiązania. Dobrym przykładem techniki

44

reprezentacji wiedzy w takim systemie są drzewa decyzyjne oraz tworzone na ich podstawie tablice decyzyjne. Struktury te w wielu systemach ekspertowych stanowią podstawę dla modułu wnioskowania i idealnie nadają się do opisu wielokryterialnych problemów z dużą liczbą potencjalnych rozwiązań. Przykładem praktycznego wykorzystania drzew decyzyjnych może być problem identyfikacji szkodników występujących na polu. Zakodowana w postaci drzew wiedza dotycząca cech morfologicznych szkodników oraz charakterystycznych uszkodzeń roślinny umożliwia implementację tego problemu w postaci systemu ekspertowego udostępniającego gotowe rozwiązanie w postaci informacji o oznaczonym szkodniku wyrządzającym szkody na analizowanej plantacji.

Inną grupą rozwiązań informatycznych są systemy ekspertowe korzystające z metod sztucznej inteligencji w tym ze sztucznych sieci neuronowych. Podstawą takich systemów jest idea neuronu matematycznego pozwalającego na symulowanie zachowania mózgu ludzkiego w trakcie sytuacji problemowej. Systemy takie cechują się zdolnościami przewyższającymi możliwości tradycyjnych systemów ekspertowych ponieważ udostępniają metody umożliwiające podjęcie decyzji w sytuacji gdy mamy do czynienia z niepełną informacją dotyczącą analizowanego problemu, kiedy trudno jest jasno określić wszystkie warunki oraz reguły opisujące dane zagadnienie. Kolejną istotną cechą takich systemów jest zdolność do uogólnienia czyli przeniesienia wiedzy zgromadzonej w sieci neuronowej na przypadki z tej samej klasy. Wiedza gromadzona jest w trakcie procesu „uczenia” sieci na podstawie przypadków uczących będących reprezentacją rozwiązania danego problemu. Dobrym przykładem takiego systemu jest aplikacja internetowa pozwalająca na podstawie zebranych danych określić wysokość plonu oraz zawartość skrobi w bulwach ziemniaków.

Wspólną cechą wszystkich tych systemów jest konieczność zgromadzenia wiedzy, w postaci reguł, opisujących dane zagadnienie. Od jakości tej wiedzy zależy poziom adekwatności uzyskanej w systemie ekspertyzy. Jest to jeden z bardziej praco- i czasochłonnych i jednocześnie kluczowych etapów przy implementowaniu każdego systemu ekspertowego. Alternatywą dla tradycyjnego modelu gromadzenia wiedzy z udziałem człowieka eksperta jest automatyzacja tego procesu poprzez zastosowanie eksploracji danych korzystając z informacji zapisanych w przygotowanych hurtowniach danych lub zapisanych bezpośrednio w sieci internet. Szczególnie to drugie źródło informacji jest wartościowe z uwagi na szerokie spektrum zagadnień w nim opisywanych. Niestety pojawia się tutaj problem braku spójności w sposobie zorganizowania danych w tym medium co w znacznym stopniu utrudnia proces wyszukiwania i eksploracji danych dotyczących konkretnego zagadnienia. Nową techniką próbującą rozwiązać ten problem jest pojęcie internetu semantycznego. Idea ta przewiduje wprowadzenie nowych standardów opisywania treści zamieszczanych w internecie co pozwoli na maszynowe i programowe ich przetwarzanie. Takie podejście umożliwia automatyzację nie tylko procesu wyszukiwania i gromadzenia wiedzy ale także jej odpowiednią kategoryzację.

W praktyce systemy wspomagania decyzji dedykowane rolnictwu wykorzystywane są w dużej liczbie zagadnień, wspomagają zarządzanie m. in. dostępnym areałem, parkiem maszynowym, przygotowaniem pola pod uprawę, doborem materiału siewnego, nawożeniem, wykonywaniem zabiegów, ochroną roślin, ochroną środowiska, przechowywaniem i zbytem itp. Nadal najpopularniejszą formą ich implementacji są aplikacje stanowiskowe jednak coraz częściej pojawiają się także systemy dostępne w postaci stron internetowych lub przeznaczone na urządzenia mobilne co korzystnie wpływa na dostępność i praktyczne możliwości ich wykorzystania. Oprócz komercyjnych często drogich systemów doradczych istnieje także szereg darmowych alternatyw opracowywanych we wiodących polskich i zagranicznych ośrodkach naukowo-badawczych.

W Polsce liczba, dostępnych dla rolnika, systemów komputerowych wspomagających różne aspekty prowadzenia gospodarstwa w tym podejmowanie decyzji jest stosunkowo duża. Oprócz systemów opracowanych w naszym kraju istnieje także szereg systemów zagranicznych jednak z uwagi na odmienne warunki część z nich nie nadaje się do wykorzystania w naszych realiach.

Przyglądając się polskiemu rynkowi oprogramowania doradczego wspomagającego zarządzanie gospodarstwem warto tutaj wymienić kilka komercyjnych kompleksowych

45

rozwiązań jak dedykowane uprawom polowym wspomagające różne aspekty prowadzenia gospodarstwa – Afifarm , AgroAsystent, AgroSystem, Bitfarma, czy wspomagające hodowlę zwierząt – AlPro , SYMLEK, Obora, Zootechnik.

Istnieje także szereg mniejszych systemów wspomagających wybrane zagadnienia z obszaru rolnictwa: AgroPomiarGPS wspomagający zarządzanie areałem oraz pomiary powierzchni pola, AnaPig wspomagający zarządzanie hodowlą oraz ocenę użytkowości zwierząt, Biogaz wspomagający analizę opłacalności biogazowni, BiOBkalkulator wspomagający zarządzanie produkcją i przetwarzaniem biomasy, INRAtrion wspomagający wyznaczanie dawek pokarmowych dla bydła, owiec i kóz, Nawsald wspomagający sporządzanie planów nawożenia, Prosplant wspomagający ochronę roślin, Internetowy system sygnalizacji agrofagów , Internetowy system wspomagania decyzji w integrowanej ochronie ro ślin , Liz-Herbicyd wspomagający optymalizację stosowania herbicydów i graminicydów, WinPasze wspomagający bilansowanie i optymalizację receptur paszowych, ZeaSoft wspomagający integrowaną uprawę kukurydzy, Predykcja plonu i zawarto ści skrobi w ziemniakach , Ziarbit wspomagający analizę procesów suszenia i przechowywania ziarna zbóż itp.

Przyszłością systemów decyzyjnych dla rolnictwa jest tworzenie rozwiązań integrowanych, kompleksowo wspomagających rozwiązanie różnych klas problemów, z którymi zmierzyć się musi każdy przedsiębiorca z tej branży. Opracowanie nowoczesnych standardów wymiany informacji wpłynie na ugruntowanie się nowoczesnego modelu komunikacji pomiędzy różnymi maszynami biorącymi udział w procesie decyzyjnym. Dialog ten jest niezbędny aby udostępniana rolnikowi ekspertyza miała znamiona kompletnej i fachowej bazującej na globalnej wiedzy.

8. Bibliografia

8.1. Literatura cytowana ATTONNATY J.M., CHATELIN M.H., GARCIA F. 1996. Interactive simulation modelling in

farm decision making. International Congress for computer technology in agriculture, ICCTA'96. Wageningen, Netherlands.

BABCOCK B., BABU S., DATAR M., MOTWANI R., WIDOM J, 2002. Models and Issues in Data Stream Systems. 21th ACM SIGMOD-SIGACT-SIGART symposium on Principles of database systems. 3-5 June. Madison, Wisconsin USA

BORCZYŃSKA-ŻBIKOWSKA J., PRUSZEK P. 2009. Programy komputerowe w rolnictwie. Centralny Ośrodek Doradztwa Rolniczego. Brwinów. 16 s.

BUCHANAN, B. G., SHORTLIFFE E. H. 1984. Rule Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. Reading, MA: Addison-Wesley. ISBN 978-0-2011-0172-0.

FAYYAD U.M., PIATETSKY-SHAPIRO G., SMYTH P. 1996. From data mining to knowledge discovery: An overview. Advances in knowledge discovery and data mining. AAAI Press. 1-34.

FERGUSON T. S. 2008. Linear Programming: A concise introduction. Department of Mathematics. University of California at Los Angeles. http://www.math.ucla.edu/~tom/

HARASIM A. (red) 2009. Systemy wspomagania decyzji w zrównoważonej produkcji roślinnej. Studia i raporty IUNG-PiB 16. ISBN 978-83-7562-033-7. 118 s.

HERNANDEZ M. J. 2004. Bazy danych dla zwykłych śmiertelników. Mikom Wyd. III rozszerzone. ISBN: 978-8-3727-9439-1.

KERSTEN G. E. 2000. Decision Making and Decision Suport. in: Decision Support Systems for Sustainable Development. A resource book of methods and applications G. E. Kersten, Z. Mikolajuk, A. Gar-on Yeh. Kluwer Academic Publishers.

KLEIN M., METHLIE L. B. 1995. Knowledge-based Decision Support Systems with Applications in Business. John Wiley & Sons, Inc. New York, NY, USA. ISBN: 978-0-4719-5295-8. 544 s.

KOŁCZYŃSKA-JANICKA M. 2008. Internetowy system sygnalizacji agrofagów. HasłoOgrodnicze 7:45-47

46

LINDSAY R. K., BUCHANAN B. G., FEIGENBAUM E.A., LEDERBERG J. 1993. DENDRAL: a case study of the first expert system for scientific hypothesis formation. Artificial Intelligence 61:209-261.

MALLACH E. G. 1994. Understanding Decision Support Systems and Expert Systems. USA: Richard D. Irwin, Inc. ISBN 978-0-2561-1896-4.

MANOS B., CIANI A., BOURNARIS Th., VASSILIADOU I., PAPATHANASIOU J. 2004. A taxonomy survey of decision support systems in agriculture. Agricultural Economics Review 5(2):80-94.

MATTHEWS K. B., SCHWARZ G., BUCHAN K., RIVINGTON M., MILLER D. 2008. Wither Agricultural DSS? Journal of Computers and Electronics in Agriculture 61(2):224:231.

MCCAMMON R.B. 1996. PROSPECTOR II - an expert system for mineral deposit models. International Journal of Rock Mechanics and Mining Sciences and Geomechanics Abstracts, 33(6):267-267.

MOSES J. 2008. Macsyma: A Personal History. Milestones in Computer Algebra. 1-3 May. Tobago.

NIERÓBCA A., ZALIWSKA A. S. 2010. Rozwój Internetowego systemu wspomagania decyzji w ochronie zbóż. Inżynieria Rolnicza 7(125):167-173.

NORAN O.S. 2003. The Evolution of Expert Systems. Griffith University. School of Computing and Information Technology. http://www.ict.griffith.edu.au/noran/Docs/ES-Evolution.pdf

OLSZAK C. M. 2008. Przegląd najważniejszych systemów wspomagania decyzji w zarządzaniu - ujęcie metodologiczne. Systemy wspomagania organizacji. Red. M. Pańkowska, T. Porębska-Miąc i H. Sroka. Wydawnictwo Akademii Ekonomicznej, Katowice.

PŁOCKI K. 2010. Nawożenie z nawigacją GPS. Rolniczy Przegląd Techniczny 11 (141):62-64.

POWER, D.J. 2007. A Brief History of Decision Support Systems. DSSResources.COM, http://DSSResources.COM/history/dsshistory.html, version 4.0, March 10.

SHIM J. P., WARKETIN M., COURTNEY J. F., POWER D. J., SHARDA R., CARLSSON C. 2002. Past, present and future of decision support technology. Decision Support Systems. 33:111-126.

SPRAGUE R. H., CARLSON E. D. 1982. Building Effective Decision Support Systems. Englewood Cliffs, N.J.: Prentice-Hall, Inc. 304 s. ISBN: 978-0-1308-6215-0.

SUTTON M. J. 2003. Problem Representation, Understanding, and Learning Transfer Implications for Technology Education. Journal of Industrial Teacher Education 40(4):47-63.

SZLACHTA J. 2006. Komputerowe systemy zarządzania stadem. Inżynieria Rolnicza 2:17-33.

TURBAN E., MCLEAN E., WETHERBE J. 2001. Information Technology for Strategic Advantage. 2nd Edition. New York, Chichester. John Wiley & Sons. Inc.

WOLNY W., ZADORA P. 2008. Redefinicja idei inteligentnych systemów wspomagania decyzji. Systemy wspomagania organizacji. Wydawnictwo Akademii Ekonomicznej. Katowice.

ZAKRZEWICZ M. 1997. Data mining i odkrywanie wiedzy w bazach danych. Polish Oracle Users Group PLOUG'97. Zakopane. 57-67.

ZALIWSKI A. 2007. System wspomagania decyzji jako źródło informacji. IUNG. Puławy. http://www.dss.iung.pulawy.pl/Documents/ipr/DSSasInfoSource.html

ZALIWSKI A., HOŁAJ J. 2001. Wybrane aspekty wspomagania decyzji technologicznych w gospodarstwie rolnym. Pamiętnik Puławski 124:421-428.

ŻUREK T. 2011. Metody sztucznej inteligencji. Uniwersytet Marii Curie-Skłodowskiej. Lublin. ISBN: 978-83-62773-19-0. 160 s.

8.2. Literatura elektroniczna - aplikacje doradcze dla rolnictwa

1. Afifarm. S.A.E Afikim. Alima-Bis. http://www.alimabis.com.pl/?id_str=54&id_kat=36&id_lang=1

47

2. Agrar-Offcie. Land-Data Eurosoft Sp. z o.o. http://www.agrar-office.pl/ 3. AgroAsystent. AgroPower Sp. z o.o. http://www.agroasystent.pl/ 4. AgroPomiarGPS. AgroPower Sp. z o.o. http://www.agropower.pl 5. AgroSystem. Cees Programs. http://www.doplaty.pl/ 6. AlPro. DeLaval.

http://www.delaval.pl/Products/Milking/HerdManagement/ALPRO/default.htm 7. AnaPig. Mroczko Software. Leszek Mroczko. http://www.mroczko.com.pl/ 8. BitFarma. BitComp Polska. http://www.bitfarma.pl 9. BioGaz. Laboratorium Ekotechnologii. IIR UP Poznań.

http://www.ekolab.up.poznan.pl/biogaz.html 10. BiOBkalulator. Konsorcjum projektu BiOB. UR Kraków.

http://biob.wipie.ur.krakow.pl/ 11. FarmWorks Office. Farm Works. http://www.farmworks.pl/, http://www.farmworks.com 12. Internetowy system sygnalizacji agrofagów, Państwowa Inspekcja Ochrony Roślin i

Nasiennictwa. http://piorin.gov.pl/sygn/start.php

13. Internetowy system wspomagania decyzji w integrowanej ochrony roślin, IUNG Puławy http://www.ipm.iung.pulawy.pl

14. LIZ-Herbicyd. LIZ - Rolnicze Doradztwo w Uprawie Buraka Cukrowego http://www.liz-herbizid.de/?lang=pl&herbconf=pl

15. NawSald. Instytut Uprawy, Nawożenia i Gleboznawstwa. Puławy. http://sybilla.iung.pulawy.pl/NawSald.html

16. Obora. ZETO Zakład Elektronicznej Techniki Obliczeniowej w Olsztynie. http://www.zeto.olsztyn.pl/index.php?id=471

17. OTR-7. Michał Cupiał. Instytut Inżynierii Rolniczej i Informatyki. UR Kraków. http://www.cupial.mcpk.net/index.php?id=Programy&id1=Otr7 18. ProsPlant. Zakład Informatyki Stosowanej. IIR UP Poznań.

http://iir.up.poznan.pl/prosplant 19. Predykcja plonu i zawartości skrobi dla bulw ziemniaków. IIR UP Poznań.

http://iir.up.poznan.pl/ziemniak 20. Ramzes AGRO. RAMZES sp. z o.o. http://www.ramzes.pl/programy/23/aplikacja-ramzes/ramzes-agro 21. SYMLEK. ZETO Zakład Elektronicznej Techniki Obliczeniowej w Olsztynie.

a) http://www.zeto.olsztyn.pl/index.php?id=473 b) http://www.pfhb.pl/?strona=symlek_polaczenie.htm 22. WinPasze. Mroczko Software. Leszek Mroczko. http://www.mroczko.com.pl/ 23. ZeaSoft. Instytut Uprawy, Nawożenia i Gleboznawstwa. Puławy.

http://www.zazi.iung.pulawy.pl/Documents/ProgramZeasoft.htm 24. Ziarbit. Zakład Informatyki Stosowanej. IIR UP Poznań.

http://iir.up.poznan.pl/ziarbit 25. Zootechnik. AgroPower Sp. z o.o.

https://www.agropower.pl/Default.aspx?h=produkty&q=2

9. Lista wybranych prac naukowych z zakresu zastoso wania SWD w rolnictwie

ABDULLAH A. 2010. An Analysis of Bt Cotton Cultivation in Punjab, Pakistan using the Agriculture Decision Support System (ADSS). AgBioForum 13(3): 274-287.

ACEBEDO M.M., NAVARRO M., DÍAZ J.R. 2004. Decision support system for pest management using biological control organisms. ISHS Acta Horticulturae 659:287-294.

ACKERMANN, I., SCHLAUDERER R. 1997. Decision Support Models for the Design of Animal Husbandry and Plant Production Procedures. First European Conference for Information Technology in Agriculture. 15-18 June. the Royal Veterinary and Agricultural University Copenhagen, Denmark.

ADINARAYANA A., LAURENSON M., NINIMIYA S. 2006. Web-based Decision Support

48

System for Rural Land Use Planning-WebLUP-a Prototype. Agricultural Engineering International vol. 8 no. IT 05 005.

AL-HARKAN I.M., AZAIEZ M.N., HARIGA M.A., ALAZBA A.A. 2009. A decision support system for optimal use of irrigation water and crop selection. Journal of King Saud University - Engineering Science 21(2).

AMSALEM G., VANUNU N. 2008. Agricultural Pest Control Decision Support System. Software Engineering Project. Ben-Gurion University. Negev, Israel.

ANTONOPOULOU E. 2003. DSSs in major field crops: classification and performance. European Federation for Information Technology in Agriculture, Food and the Environment Conference. 5-9 July. Debrecen. Hungary.

ANTONOPOULOU E., KARETSOS S.T., MALIAPPIS M., SIDERIDIS A. B. 2010. Web and mobile technologies in a prototype DSS for major field crops. Computers and Electronics in Agriculture 70:292–301.

ASCOUGH II J.C., SHAFFER M.J., HOAG D.J., MCMASTER G.S., DUNN G.H., AHUJA L.R., WELTZ M.A. 2001. GPFARM: An integrated decision support system for sustainable great plains agriculture. Sustaining the Global Farm 951-960.

ATRI A., AMIR-MAAFI M. 2006. A Decision Support System For Management Of Sunn Pest (Eurygaster Integriceps Puton.) in Wheat. Computers in Agriculture and Natural Resources. 4th World Congress Conference. 24-26 July. Orlando, Florida, USA.

ATTONNATY J.M., CHATELIN M.H., GARCIA F. 1996. Interactive simulation modelling in farm decision making. International Congress for computer technology in agriculture, ICCTA'96. Wageningen, Netherlands.

AUBRY C., PAPY P., CAPILLON A. 1997. Modelling decision-making processes for annual crop management. Agricultural Systems 56(1):45-65.

AUWEELE W.V., VANDENDRIESSCHE H. 2004. A decision support system for field vegetable crops: focus on fertilization. Acta Hort. (ISHS) 571:149-152.

AUWEELE W.V., VANDENDRIESSCHE H., VERHEYDEN C. 2003. A decision support system for fruit growers (apple and pear): central and local expert system units and their interactions. EFITA 2003 Conference. 5-9 July. Debrecen, Hungary.

AYALA R., BECERRA A., IRIBARNE L.F., BIENVENIDO J.F., BOSCH A., DIAZ J.R. 1998. ESTRIA*SIG: a Decision Support System for Rural Planning. Application to Water Resources Management in the Province of Almeria. Computers in Agriculture 502-510.

BAJWA W.I., COOP L., KOGAN M. 2003. Integrated Pest Management (IPM) and Internet-Based Information Delivery Systems. Neotrop. Entomol. 32(3).

BARRETT J.R. 1992. Information requirements and critical success factors for corn/soybean decision support systems. In: Proc. 4th International Conference on Computers in Agricultural Extension Programs. Orlando, Florida. 147-152.

BASNET CH., FOULDS L., IGBARIA M. 1995. FleetManager: a microcomputer-based decision support system for vehicle routing. Decision Support Systems 16:195-207.

BENDOR T.K., METCALF S.S., SANGUNETT B. 2005. A Decision Support System for Emerald Ash Borer Eradication Using Spatial-Dynamic Modeling. International System Dynamics Society Conference. Boston. 17-21 July.

BERGH P.H., REESE P., GUNNINK D., DALBEC T. 1998. Hogs Your Way: A Self Guiding Decision Support System For Producers Evaluating Hog Production Systems.Managing manure in harmony with the environment and society. Animal Welfare Institute Conference. 10-12 February. Ames, Iowa.

BERLO J. M. 1993. A decision support tool for the vegetable processing industry; An integrative approach of market, industry and agriculture. Agricultural Systems 43(1):91-109.

BOJAR W. 1997. Problemy zastosowań metod wspomagania decyzji (DSS) do racjonalnego gospodarowania maszynami rolniczymi w gospodarstwach rolnych. Post. Nauk Rol. 4(97):77-89.

BOJAR W. 2005. Studium wyboru maszyn w gospodarstwach rolniczych w świetle rozwoju systemów wspomagania decyzji. Rozprawy nr 114. ATR Bydgoszcz.

49

BOJAR W. 2010. Komputerowe metody wspomagania decyzji w modelowaniu procesów wytwarzania w przedsiębiorstwach rolnych. Konferencja Innowacje w Zarządzaniu i Inżynierii Produkcji. 22-25 Luty. Zakopane.

BOJER, O.Q., MURALI N.S., SECHER B.J.M., BOESEN B.D. 1997. SortInfo: An Information and Decision Support System for Variety Selection. First European Conference for Information Technology in Agriculture. 15-18 June. the Royal Veterinary and Agricultural University Copenhagen, Denmark.

BONFIL D.J., KARNIELI A., RAZ M., MUFRADI I., ASIDO S., EGOZI H., HOFFMAN A., SCHMILOVITCH Z. 2004. Decision support system for improving wheat grain quality in the Mediterranean area of Israel. Field Crops Research 89:153–163.

BONIECKI P. 2007. System ekspertowy wspomagający procesy decyzyjne w produkcji roślinnej. Technika Rolnicza Ogrodnicza Leśna 5.

BOUMA E. 2003. Decision support systems used in the Netherlands for reduction in the input of active substances in agriculture. EPPO Bulletin 33(3):461–466.

BREUER N.E., CABRERA V.E., INGRAM K.T., BROAD K., HILDEBRAND P.E. 2007. AgClimate: a case study in participatory decision support system development. Climatic Change 87(3-4):385-403.

BUJATZECK B.H.J. 2008. Decision Support System for Alleviating Phosphorus Contamination. MCGILL University. 898 s.

BURTON C.H., MENZI H., THORNE P.J., GERBER P. 2008. A computer-based Expert system to support the selection and implementation of systems for sustainable livestock waste management in South-East Asia. 13th International Conference of the FAO ESCORENA Network on Recycling of Agricultural, Municipal and Industrial Residues in Agriculture. Ramiran.

CABRERA V.E., BREUER N.E., HILDEBRAND P.E., LETSON D. 2005. the dynamic North Florida dairy farm model: A user-friendly computerized tool for increasing profits while minimizing N leaching under varying climatic conditions. Computers and Electronics in Agriculture 49:286-308.

CAIN J.D., JINAPALA K., MAKIN I.W., SOMARATNA P.G., ARIYARATNA B.R., PERERA L.R. 2003. Participatory decision support for agricultural management. A case study from Sri Lanka. Agricultural Systems 76(2):457-482.

CAMPANELLA R. 2000. Testing components toward a remote-sensing-based decision support system for cotton. Photogrammetric engineering & remote sensing 66(10):1219-1227.

CAROLINE P. 2001. A User Centred Design Method for Agricultural DSS. International Journal of Human-Computer Studies 55(4):423-433.

CARRASCAL M.J., PAU L.F. 1992. A survey of expert systems in agriculture and food processing. AI Appl. 6(2):27–49.

CHENG J., YI S. 1999. Digital Agriculture - One of Application Domain of Digital Earth. International Symposium on Digital Earth. Beijing. China.

CLARKE N.D., SHIPP J.L., PAPADOPOULOS A.P., JARVIS W.R., KHOSLA S., JEWETT T.J., FERGUSON G. 1999. Development of the Harrow Greenhouse Manager: a decision-support system for greenhouse cucumber and tomato. Computers and Electronics in Agriculture 24:195-204.

COTTINGHAM I.J., GODDARD S., ZHANG S., WU X., LU K., RUTLEDGE A., WALTMAN W.J. 2004. Demonstration of the National Agricultural Decision Support System. 5th Annual National Conference on Digital Government Research: New Challenges and Opportunities. 24-26 May. Seattle, Washington.

CUPIAŁ M. 2006. System wspomagania decyzji dla gospodarstw rolniczych. Inżynieria Rolnicza 9(84).

DAY W., AUDSLEY E., FROST A.R. 2007. An engineering approach to modelling, decision support and control for sustainable systems. Philosophical Transactions of the Royal Society B: Biological Sciences 363(1491): 527–541.

De la ROSA D., MAYOL F., DIAZ-PeReira E., FERNANDEZ M., de la ROSA Jr. D. 2004. A land evaluation decision support system (MicroLEIS DSS) for agricultural soil

50

protection With special reference to the Mediterranean region. Environmental Modelling & Software 19:929–942.

de OLIVEIRA C.R.V., BARRETO J.M., de OLIVEIRA P.A.V., Fialho F. B. 2001. Intelligent decision support system applied to environmental pollution caused by swine manure. AgriBuilding 3–7 September. Campinas, SP, Brazil.

de VOIL P.G., RODRIGUEZ D., POWER B., ROSSING W.A.H. 2009. Simulation of whole farm management decisions. 18th World IMACS / MODSIM Congress. 13-17 July. Cairns, Australia.

DEL'HOMME B. 1997. Information and Decision in Agriculture: How Relevance in Management Diagnosis is Improved by an Expert System. First European Conference for Information Technology in Agriculture. 15-18 June. the Royal Veterinary and Agricultural University Copenhagen, Denmark.

DEVESON T. 2001. Decision support for locust management using GIS to integrate multiple information sources.3rd International Conference on Geospatial Information in Agriculture and Forestry. 5-7 November. Denver, Colorado.

DEVRAJ, JAIN R. 2011. PulsExpert: An expert system for the diagnosis and control of diseases in pulse crops. Expert Systems with Applications 38:11463–11471.

DIAK G.R., ANDERSON M.C., BLAND W.L., NORMAN J.M., MECIKALSKI J.M., AUNE R.M. 1998. Agricultural Management Decision Aids Driven by Real-Time Satellite Data. Bulletin of the American Meteorological Society. 79(7):1345-1355.

Dlodlo N., Hunter L. Cele C., Botha A.F., Metelerkamp R. 2009. A decision support system for wool classification. AUTEX Research Journal 9(2):42-46.

EDREES S. A., RAFEA A., FATHY I., YAHIA M. 2003. NEPER: a multiple strategy wheat expert system. Computers and Electronics in Agriculture 40:27-43.

EFFLAND W.R., THURMAN N.C., GANGARAJU R., NICHOLSON I., KROETSCH D. 2002. GIS Decision Support System to Evaluate U.S. and Canada Field Study Areas for Pesticides. Pesticide Environmental Fate 813:7-21.

ELIMAM A.A. 1995. A Decision Support System (DSS) for agricultural pesticide production planning. European Journal of Operational Research 81(1):17-34.

ELLIOTT N.C., ROYER T.A., GILES K.L., KINDLER S.D., PORTER D.R., ELLIOTT D.T., WAITS D.A. 2004. A Web-Based Decision Support System for Managing Greenbugs in Wheat. Crop Management. Plant Management Network.

ELLISON P., ASH G., MCDONALD C. 1998. An Expert System for the Management of Botrytis cinerea in Australian Vineyards. I. Development. Agricultural Systems 56(2):185-207.

ENDE E., BLOMMERS L., TRAPMAN M. 1996. Gaby: a computer-based decision support system for integrated pest management in Dutch apple orchards. Integrated Pest Management Reviews 1:147-162.

EREMEEV V., LOHMUS A., JOUDU J. 2006. NegFry - DSS for the chemical control of potato late blight - result of validation trials in Tartu. Agronomy Research 4:167-170.

FARHADI BANSOULEHA B., SHARIFI M. A., VAN KEULEN H. 2008. Development of a spatial planning support system for agricultural policy analysis - case study: Borkhar district, Iran. ISPRS 2008 : XXI Congress Silk road for information from imagery. the International Society for Photogrammetry and Remote Sensing, 3-11 July. Beijing, China. 533-538.

FINK M., SCHARPF H. C. 1993. N-Expert – A Decision Support System for Vegetable Fertilization in the Field. Acta Hort. (ISHS) 339:67-74.

FLINNA P. W., HAGSTRUMA D.W., REEDB C.R., PHILLIPS T.W. 2007. Stored Grain Advisor Pro: Decision support system for insect management in commercial grain elevators. Journal of Stored Products Research 43:375–383.

FLORES C.I., HOLZAPFEL E.A., LAGOS O. 2010. A dynamic decision support system for farm water management in surface irrigation: model development and application. Chilean Journal of Agricultural Research 70(2):278-286.

FOLKEDAL A., BREVIG CH. 2008. VIPS - a web-based decision support system for crop protection in norway. EPPO Bulletin 33(3).

51

FOX D.G., TEDESCHI L.O., Guiroy P.J. 2001. A decision support system for individual cattle management. Cornell Nutrition Conference for Feed Manufacturers, Rochester, NewYork. 64-76.

FRAHM J., VOLK T., JOHNEN A. 1996. Development of the PRO_PLANT decision-support system for plant protection in cereals, sugarbeet and rape. EPPO Bulletin 26(3-4):609–622.

FORRISTAL P.D. 1999. Machinery costs on tillage farms and the development of decision support systems for machinery investment/use on farms. Crops Research Centre Oak Park. Carlow, Ireland. ISBN 1-84170-070-3.

GANESAN V. 2005. Decision support system „Crop-9-DSS” for identified crops. World Academy of Science. Engineering and Technology 12:473-475.

GANESAN V. 2006. Decision Support System for Nutrient Management in Rice (NRSR). AFITA 5th Conference Of Asian Federation For Information Technology In Agriculture. 9-11 November. Bangalore, India.

GARTON M., TAYLOR G. 2002. A farm decision support GIS: interoperability problems and solutions. 5th AGILE Conference on Geographical Information Science. 25-27 April. Palma, Balearic Islands, Spain.

GLIDDON C.J., RASCH D.A.M.K., SCHMIDT K., SCHÜTTE G.A.M., SIDERIDIS A.B., YIALOURIS C.P. 1997. A Biometrical Decision Support System for Estimating Risk Assessments on Releasing Genetically Modified Organisms. First European Conference for Information Technology in Agriculture. 15-18 June. the Royal Veterinary and Agricultural University Copenhagen, Denmark.

GONZALEZ-ANDUJAR J.L. 2008. Expert system for pests, diseases and weeds identification in olive crops. Expert Systems with Applications 36(2):3278-3283.

GONZALEZ-ANDUJAR J.L., FERNANDEZ-QUINTANILLA C., BASTIDA F., CALVO§ R., GONZALEZ-DIAZ L., IZQUIERDO J., LEZAUN J. A., PEREA F., SANCHEZ del ARCO M.J., URBANO J.M. 2010. Field evaluation of a decision support system for herbicidal control of Avena sterilis ssp. ludoviciana in winter wheat. Weed Research 50(1):83–88.

GONZALEZ-ANDUJAR J.L., FERNANDEZ-QUINTANILLA C., IZQUIERDO J., URBANO J. M. 2006. SIMCE: An expert system for seedling weed identification in cereals. Computers and Electronics in Agriculture 54:115-123.

GOSS M.J., OGILVIE J. R. 1998. Developing a decision support system for manure management. 8th International Conference on the FAO ESCORENA Network on Recycling of Agricultural, Municipal and Industrial Residues in Agriculture. 26-29 May. Rennes, France.

GRAF B., HÖHN H., SIEGFRIED W., HÖPLI H.U., HOLLIGER E. 1999. Recommendations for an efficient plant protection programme in swiss apple orchards: current state and future development of a decision support system. Acta Hort. (ISHS) 499:167-170

GRIGORAS M.A., POPESCU A., MERCE E., ARION F. 2007. Scada System - tool and partner for sustainable agriculture development. Buletin USAMV-CN 64.

GRONBECH HANSEN J., LASSEN P., JENSEN A. L., THYSEN I. 1998. Information and decision support for the control of potato late blight based on integrated PC and internet applications. third Workshop of an European Network for Development of an Integrated Control Strategy of potato late blight Uppsala, 9-13 September. Sweden.

GROOT M. J. 1996. A decision support system for fruit growing on farm level - assesment of economic and environmental effects of management decisions. Acta Hort. (ISHS) 416:229-234.

GROOT M. J. 1999. A decision support system for economic and ecological calculations for fruit crops. Acta Hort. (ISHS) 499:171-174

GRUDZIŃSKI J. 2009. Komputerowy system doradczy wspomagający obsługiwanie rolniczych obiektów technicznych. Diagnostyka 3(51):79-82.

GUO X., FU Z., MU W., ZHANG X. 2005. A Decision Support System (DSS) for Price Risk Management in Vegetable, China. Artificial Intelligence Applications and Innovations IFIP International Federation for Information Processing 187:567-572.

52

GUROVICH L. A., ALVAREZ R. 2007. An Expert System and Decision Support Tool to Interpret Phytomonitoring Information in Fruit Bearing Woody plants. 5th Annual Conference of the European Federation of Information Technologies in Agriculture. 5-6 July. Glasgow, UK.

GUTSCHE V. 2001. From Mathematical Models to Decision Support Systems - the Development of the German Plant Protection Forecasting System Paso. In: Jérôme Steffe (ed.): EFITA 2001. third European Conference of the European Federation for Information Technology in Agriculture, Food and Environment. 18-20 June. Montpellier, France. 1:7-12

HAMERA P.J.C. 2003. A decision support system for the provision of planting plans for Brussels sprouts. Computers and Electronics in Agriculture 11(2-3):97-115.

HANNAWAY D.B., DALY CH., RUNCKEL S., COOPER A., KRAYNICK R. 2002. Developing an Agricultural, Environmental, and Natural Resources Mapping and Decision Support System (DSS) for Southeast Asia. Regional Conference on Digital GMS. Greater Mekong Subregion Academic and Research Network and ASEAN Foundation, Asian Institute of Technology. Bangkok, thailand. 140-143.

HARASIM A. (red) 2009. Systemy wspomagania decyzji w zrównoważonej produkcji roślinnej. Studia i raporty IUNG-PiB vol. 16. ISBN 978-83-7562-033-7.

HARSH S. B. 1998. Agricultural Information Systems: Current Applications and Future Prospects. 1st Asian Conference for Information Technology in Agriculture. Agricultural Information Technology in Asia and Oceania. 24-27 January. Wakayama, Japan.

HARTRISARI, WIBAWA D.S. 2010. Decision support system for small scale potato based agroindustry (case study bandung regency). AFITA International Conference. the Quality Information for Competitive Agricultural Based Production System and Commerce. 4-7 October. Bogor, Indonesia.

HARWOOD T.D., AL SAID F.A., PEARSON S., HOUGHTON S.J., HADLEY P. 2010. Modelling uncertainty in field grown iceberg lettuce production for decision support. Computers and Electronics in Agriculture 71:57–63.

HASTINGS J., BRANTING K., LOCKWOOD J., SCHELL S. 2003. CARMA+: A General Architecture for Pest Management. IJCAI 2003 Workshop on Environmental Decision Support Systems (EDSS'2003). 10 August. Acapulco, Mexico.

HAYMAN P. 2004. Decision support systems in Australian dryland farming: A promising past, a disappointing present and uncertain future. 4th International Crop Science Congress. 26 September – 1 October. Brisbane, Australia.

HEILMAN P., STONE J., COHEN I.S., RODRIGUEZ H.M., MANN R.S. 2006. Working Smarter: Research and Decision Support Systems in Mexican Agriculture. roc. ARS/INIFAP Binational Sym. on Modeling and Remote Sensing in Agriculture. 2-6 June. Aquascalientes, Mexico.

HEINEMANN H., CALVIN D.D., AYERS J., CARSON J.M., CURRAN W.S., EBY V., HARTZLER R.L., KELLEY J.G.W., MCCLURE J., ROTH G., TOLLEFSON J. 1992. Maize: A Decision Support System for Management of Field Corn. Applied Engineering in Agriculture 8(3):407-414.

HERNANDEZ J.A., BURLAK G., OCHOA A., ALVAREZ F.J., MUNOZ J. 2006. Decision Support System for the Phalaenopsis Orchards Care by Means of Rule Based Reasoning. Agecomp 117-126. ISBN 968-878-273-4.

HLAING H.M., OO T., OO A.K. 2008. Implementing a decision support system (dss) for discriminating herbal and medicinal plants in myanmar using classification technique. International Conference on Business and Information. July 7-9. Seoul, South Korea.

HOROSZKIEWICZ-JANKA J., WALCZAK F., KORBAS M., JAJOR E. 2010. Zastosowanie systemu wspomagania decyzji w ochronie pszenicy przed chorobami. Progress in Plant Protection/Postępy w Ochronie Roślin 50(3):1329-1333.

HOSKINSON R.L., HESS J.R., FINK R.K. 1999. A Decision Support System for Optimum Use of Fertilizers. 2nd European Conference on Precision Agriculture. Sheffield Academic Press. 11-15 July. Odense Congress Centre, Denmark.

53

HOSTGAARD M.B., WOLNY S. 2002. Założenia duńskiego systemu wspomagania decyzji w ochronie roślin i możliwości jego wdrożenia w Polsce. Progress in Plant Protection/Postepy w Ochronie Roślin 42(1):283-290.

HU Y., QUAN Z., YAO Y.Y. 2004. Web-based Agricultural Support Systems. Second Workshop Web-based Support Systems 75-80.

IBRAGIMOV T.Z., SANIN S.S., SHELEMEKH D. 1997. Computer Support of Cereal Protection Technology Using Fungicide ALTO 400 S.C. in Russia. First European Conference for Information Technology in Agriculture. 15-18 June. the Royal Veterinary and Agricultural University Copenhagen, Denmark.

IKERD J.E. 1991. A Decision Support System for Sustainable Farming. Northeastern Journal of Agricultural and Resource Economics 20(1).

JACUCCI G. 1996. Developing Transportable Agricultural Decision-Support Systems: An Example. Computers and Electronics in Agriculture 14(4):301-315.

JACUCCIA G., FOY M., UHRIKB C. 1996. Developing transportable agricultural decision support systems: Part 1. A conceptual framework. Computers and Electronics in Agriculture 14(4):291-300.

JADCZYSZYN T. 2009. Planowanie nawożenia w gospodarstwie z wykorzystaniem programu NawSald. Studia i raporty IUNG-PiB 16:9-18.

JAME Y.W., CUTFORTH H.W. 1996. Crop growth models for decision support systems. Canadian journal of plant science 76(1):9-19.

JARFE A., WERNER A. 2000. Development of a GIS-based management system for precision agriculture. Agroenviron 2000. 18-20 October. Tekridag, Turkey.

JAYAWARDENA N., WIJAYARATHNA G., GUNATILAKE J. 2009. GIS based decision making system for agriculture. 8th Annual Asian Conference and Exhibition on Geospatial Information (MAPASIA2009), Technology and Applications Suntec Singapore International Convention & Exhibition Center, Singapore 18-20 August.

JĘDRYCZKA M., KACZMAREK J., CZERNICHOWSKI J. 2006. Development of a decision support system for control of stem canker of oilseed rape in Poland. International Organisation for Biological Control Bulletin 29 (7): 269-278.

JĘDRYCZKA M., MATYSIAK R., BANDUROWSKI R., RYBACKI D. 2004. SPEC - system wspierający ochronę rzepaku przed suchą zgnilizną kapustnych w Polsce. Rośliny Oleiste - Oilseed Crops 25 (2): 637-644.

JENSEN A.L., GREVSEN K. 2005. Web-based harvest forecast of cauliflower for the agri-food-chain. ISHS Acta Horticulturae 674:329-335.

JENSEN A.L., THYSEN I. 2003. Agricultural information and decision support by SMS. EFITA Conference. 5-9 July. Debrecen, Hungary.

JENSEN A.L., BOLL P.S., THYSEN I., PATHAK B.K. 2000. Pl@nteInfo® - a web-based system for personalised decision support in crop management. Computers and Electronics in Agriculture 25:271-293.

JĘDRYCZKA M. BRACHACZEK A., KACZMAREK J., DAWIDZIUK A., MĄCZYŃSKA A., PODLEŚNA A., KASPRZYK I., KAROLEWSKI Z., LEWANDOWSKI A. 2009. SPEC – system wspomagania decyzji w ochronie rzepaku przed suchą zgnilizną kapustnych w Polsce. Studia i raporty IUNG-PiB 16:45-58.

JIANXIANG X., YU L. 2006. Design and realization of Internetbased decision support system for the management of vegetable insect pests in Jiangsu Province. Journal of Yandzhou University.

JOHANEN A., MEIER H. 2000. A wearher-based decision support system for managing oilseed rape pests. Conference on Pests & Diseases. British Crop Protection Council. Brighton. UK. 793-800.

JÖRG E., RACCA P., PREIß U., BUTTURINI A., SCHMIEDL J., WÓJTOWICZ A. 2007. Control of Colorado Potato Beetle with the SIMLEP Decision Support System. Bulletin OEPP/EPPO 37: 353–358.

JUSZCZAK R., LEŚNY J., OLEJNIK J., JAKUBIAK B., FRIESLAND H., 2005. Agrometeorologiczny system wspomagania decyzji w organizacji prac gospodarstw rolnych w Wielkopolsce - Etap pierwszy tworzenia serwisu. Woda, Środowisko,

54

Obszary Wiejskie 5, 2(15):157-174. KACZOROWSKI J., VOGELGESANG J., 1998. System wspomagania wiedzy w procesach

produkcji rolniczej. Prace Przemysłowego Instytutu Maszyn Rolniczych 43(4):27-31. KALOUDISA S., ANASTOPOULOSA D., YIALOURISB C.P., LORENTZOSB N.A.,

SIDERIDIS A.B. 2005. Insect identification expert system for forest protection. Expert Systems with Applications 28:445-452.

KARMAKAR S., LAGUE C., AGNEWC J., LANDRY H. 2007. Integrated decision support system (DSS) for manure management: A review and perspective Computers and Electronics in Agriculture 57:190–201.

KERRA D.V., CHASELINGB J., CHOPPINGC G.D., COWAND R. T. 1999. DAIRYPRO - a knowledge-based decision support system for strategic planning on sub-tropical dairy farms. Agricultural Systems 59(3):257-266.

KHAN F.S., RAZZAQ S., IRFAN K., MAQBOOL F., FARID A., ILLAHI I., UL AMIN T. 2008. Dr. Wheat: A Web-based Expert System for Diagnosis of Diseases and Pests in Pakistani Wheat. World Congress on Engineering. 2-4 July. London, UK.

KHURSHID T., HUTTON R.J. 2005. Heat unit mapping a decision support system for selection and evaluation of citrus cultivars. ISHS Acta Hort. 694:265-269.

KIKER G., RANJAN R. 2006. Decision Support System for Soybean Rust (Phakopsorapachyrhizi) Management using QnD. AAEA Annual Meeting in Long Beach California. 23-26 July. California, USA.

KIRCHNER K., TÖLLE K.H., KRIETER J. 2004. The analysis of simulated sow herd datasets using decision tree technique. Computers and Electronics in Agriculture 42:111-127

KIRCHNER K., TÖLLE K.H., KRIETER J. 2006. Optimisation of the decision tree technique applied to simulated sow herd datasets. Computers and Electronics in Agriculture 50:15-24

KITCHEN N. R. 2008. Emerging technologies for real-time and integrated agriculture decisions. Computers and Electronics in Agriculture 61:1-3

KNIGHT J.D., CAMMELL M.E. 1994. A Decision Support System for forecasting infestations of the black bean aphid, Aphis fabae, Scop. on spring sown field beans, Vicia faba. Computers and Electronics in Agriculture 10:269–279.

KOZŁOWSKI R.J., PRZYBYLAK A., NIEDBAŁA G. 2011. Doradcza aplikacja internetowa wspomagająca ochronę plantacji buraka cukrowego. Journal of Research and Applications in Agricultural Engineering 56(1):82-85

KOZŁOWSKI R.J., WERES J. 2008. Internetowy system doradczy „Rzepinfo” wspomagający ochronę plantacji rzepaku ozimego. Inzynieria Rolnicza. 2(100):101-110.

KOZYRA J., DWORNIKIEWICZ J., NIERÓBCA A., PIETRUCH CZ. 2007. Agrometeorologiczny system ochrony plantacji chmielu przed mączniakiem rzekomym (Pseudoporonospora humuli Miyabe & Takah.) Przegląd Naukowy Inżynieria i Kształtowanie Środowiska 3(37):48-54.

KRAGTEN S., de SNOO G.R. 2004. Bio-Support: modelling the impact of landscape elements for pest control. Netherlands Entomological Society meeting 15. ISSN 1874-9542. 93-97.

KRISTENSEN A.R. 2003. Information from on-line live weight assessment for optimal selection of slaughter pigs for market. EFITA Conference. 5-9 July. Debrecen-Budapest, Hungar.

KRISTENSEN K., RASMUSSEN I.A. 1997. A Decision Support System for Mechanical Weed Control in Malting Barley. First European Conference for Information Technology in Agriculture. 15-18 June. The Royal Veterinary and Agricultural University Copenhagen, Denmark. 447-452.

KRISTENSEN K., RASMUSSEN I.A. 2002. The use of a Bayesian Network in the design of a decision support system for growing Malting Barley without use of Pesticides. Computers and Electronics in Agriculture 33:197-217.

KRÖCHER C., RÖHRIG M. 2007. Monitoring of Plant Pests and Diseases as a Base of the Germany-Wide Online Decision Support System ISIP. J. Verbr. Lebensm 2(1): 50-51.

KRZYŚ A., KINAL P. 2008. Komputerowe metody wspomagania zarządzania stadem krów

55

mlecznych. Inżynieria Rolnicza 5(103):21-27. KUFLIK T., PERTOT I., FRIZZI A., SHTIENBERG D., SHOHAM S. 2007. Towards global

e-agriculture: the challenge of web-based decision support systems for growers. Mediterranean Conference on Information Systems. 8th Mediterranean Conference on Information Systems. 7 October. Venice, Italy.

KUFLIK T., PERTOT I., MOSKOVITCH R., ZASSO R., PELLEGRINI E. , GESSLER C. 2008. Optimization of Fire blight Scouting with a Decision Support System based on Infection Risk. Journal Computers and Electronics in Agriculture archive 62(2)

KURLAVIČIUS A. 2009. Sustainable agricultural development: knowledge-based decision support. Baltic Journal on Sustainability 15(2): 294–309.

LALA H., JONESA J.W., PEARTA R.M., SHOUPA W. D. 1992. FARMSYS - A whole-farm machinery management decision support system. Agricultural Systems 38(3):257-273.

LAN Y., HOFFMANN W.C., WESTBROOK J.K. 2010. Development of a decision support system for precision areawide pest management in cotton production. 10th International Conference on Precision Agriculture. 18-21 July. Denver, Colorado, USA.

LASSEN P., BOJER O.Q., HANSEN J.G., Jensen A.L., THYSEN I. 2003. Implementation of internet based decision support systems in Estonia, Latvia, Lithuania and Poland. EFITA Conference. 5-9 July, Debrecen, Hungary.

LAURENSON M.R., BERESFORD R.M. 1996. Decision support software as a medium for technology transfer in plant protection. NZ Plant Protection Conference 49: 85-89.

LAURENSONA M.R., BUWALDAB J.G., WALKERC J.T.S. 1994. Orchard 2000 - a decision support system for New Zealand's orchard industries. Journal of Crop and Horticultural Science 22:239-250.

LE BER F. 1995. A prototype model-based expert system agricultural landscape analysis. AI Applications - Natural Resources, Agriculture, and Environmental Science 9(2):91-101.

LEACH A.W., MUMFORD J.D. 2011. Pesticide environmental accounting: a decision-making tool estimating external costs of pesticides. J. Verbr. Lebensm 6 (1):21–26.

LEŚNY J., JUSZCZAK R., RATAJKIEWICZ H., CHOJNICKI B., URBANIAK M., OLEJNIK J. 2007. Możliwości wspomagania podejmowania decyzji w rolnictwie z wykorzystaniem Wielkopolskiego Internetowego Serwisu Informacji Agrometeorologicznej. Przegląd Naukowy, Inżynieria i Kształtowanie Środowiska, XVI, 3(37): 39-47.

LI Y. F., LI Y.R., HUANG G.H., STRUGER J., FISCHER J.D., WANG X., CHEN B., LI J.B., NIE X.H. 2003. Development of a decision support system for managing pesticide losses in agricultural watersheds. International Journal of Sediment Research 18(1):60-73.

LIU M., ZHANG X., WANG B. 2009. Research on agricultural decision support system based on rough set theory. BioMedical Information Engineering. International Conference on Future. 13-14 December. Sanya, China.

LONČARIĆ R., LONČARIĆ Z. 2004. The decision support system with economic analysis of field vegetable production. Acta Hort. (ISHS) 655:497-502.

LOPEZ-COLLADO J. 1999. A Whole-Farm Planning Decision Support System for Preventive Integrated Pest Management and Nonpoint Source Pollution Control. Virginia Polytechnic Institute and State University, USA. 184 s.

LOPEZ-MORALES V., LOPEZ-ORTEGA O., RAMOS-FERNANDEZ J., MUNOZ L. B. 2008. JAPIEST: An integral intelligent system for the diagnosis and control of tomatoes diseases and pests in hydroponic greenhouses. Expert Systems with Applications 35:1506–1512.

MACÉA K., MORLONB P., MUNIER-JOLAINC N., QUÉRÉD L. 2007. Time scales as a factor in decisionnext term-making by French farmers on weed management in annual crops. Agricultural Systems 93(1-3):115-142.

MACKERRON D.K.L., HAVERKORT A. J. (ed.) 2004. Decision support systems in potato production. Bringing models to practice. ISBN: 978-90-76998-30-5. p. 238.

56

MACLEAN D.A. 2000. Integrated Permanent Plot and Aerial Monitoring for the Spruce Budworm Decision Support System. Integrated tools for natural resources inventories in the 21st century. Hansen M., Burk T. (ed). Gen. Tech. Rep. NC-212. St. Paul, MN: U.S. Dept. of Agriculture, Forest Service, North Central Forest Experiment Station. 305-312.

MAGAREY R.D., TRAVIS J.W., RUSSO J.M., SEEM R.C., MAGAREY P.A. 2002. Decision Support Systems: Quenching the thirst. Plant Disease 86(1)4-14.

MAHAMAN B.D., HARIZANIS P., FILIS I., ANTONOPOULOU E., YIALOURIS C.P., SIDERIDIS A.B. 2002. A diagnostic expert system for honeybee pests. Computers and Electronics in Agriculture 36:17–31

MAHAMANA B.D., PASSAMB H.C., SIDERIDISB A.B., YIALOURISA C.P. 2003. DIARES-IPM: a diagnostic advisory rule-based expert system for integrated pest management in Solanaceous crop systems. Agricultural Systems 76:1119–1135.

MAHMOUD M., HASSAN I. 2008. An Integrated Expert System and Geographical Information System in Agriculture Domain. 3rd National Symposium in Saudi Arabia. 7-9 April. Al-Khobar, Saudi Arabia.

MAINLAND D.D. 1994. A decision support system for dairy farmers and advisors. Agricultural Systems 45(2):217-231.

MALIAPPIS M.T., FERENTINOS K.P., PASSAM H.C., SIDERIDIS A.B. 2008. Gims: A Web-based Greenhouse Intelligent Management System. World Journal of Agricultural Sciences 4(5):640-647.

MALIAPPIS M.T., YIALOURIS C.P., DELIGEORIGIS S.G., SIDERIDIS A.B. 1997. EMISP : An Expert Management Information System for Pigs. First European Conference for Information Technology in Agriculture. 15-18 June. The Royal Veterinary and Agricultural University Copenhagen, Denmark.

MANOS B., BOURNARIS TH., PAPATHANASIOU J., MOULOGIANNI CH., VOUDOURIS K.S. 2007. A DSS for Agricultural Land Use, Water Management and Environmental Protection. 3rd IASME/WSEAS International Conference on Energy, Environment, Ecosystems and Sustainable Development. 24-26 July. Agios Nikolaos, Greece.

MANOS B., CIANI A., BOURNARIS TH., VASSILIADOU I., PAPATHANASIOU J. 2004. A taxonomy survey of decision support systems in agriculture. Agricultural Economics Review 5(2):80-94.

MANOS B., MATSATSINIS N., PAPARRIZOS K., PAPATHANASIOU J. (eds.) 2010. Decision Support Systems in Agriculture, Food and the Environment: Trends, Applications and Advances. ISBN13: 9781615208814.

MARCZUK A. 2009. System ekspertowy wyboru technologii utrzymania zwierząt dla producentów bydła. Inżynieria Rolnicza 6(115):183-189.

MĂRUŞTER L., FABERA N. R., JORNAA R. J., van HARENA R. 2008. Analysing agricultural users patterns of behaviour: the case of OPTIRas™, a decision support system for starch crop selection. Agricultural Systems 98(3):159-166.

MASSRUHÁ S.M.F.S., de DEUS R.S., dos SANTOS A.D., da SILVA F.C., CRUZ S.A.B. 2006. A Web-based Expert System for Diagnosis of Nutritional Deficiencies in Sugarcane. 5th Conference of Asian Federation Forinformation Technology in Agriculture. 9-11 November. Karnataka, India.

MATTHEWS K.B., SCHWARZ G., BUCHAN K., RIVINGTON M., MILLER D. 2008. Wither Agricultural DSS? Journal of Computers and Electronics in Agriculture 61(2).

MAUL C.R., GOODWIN I. 2002. Fruitsim - a decision support system for apple and peach. Acta Hort. (ISHS) 584:185-189.

MBILINYI B.P., TUMBO S.D., MAHOO H.F., MKIRAMWINYI F.O. 2007. GIS-Based Decision Support System for Identifying Potential Sites for Rainwater Harvesting. Physics and Chemistry of the Earth 32:1074-1081.

MCCOWN R.L., HOCHMAN Z., CARBERRY P.S. 2002. Probing the enigma of the decision support system for farmers: Learning from experience and from theory. Agricultural Systems 74(1):1-10.

MCKENZIE J.S., MORRIS R.S., TUTTY C.J., PFEIFFER D.U. 1997. EpiMAN-TB, a decision

57

support system using spatial information for the management of tuberculosis in cattle and deer in New Zealand. 2nd International Conference on GeoComputation. 26-29 August. Dunedin, New Zealand.

MCMASTER G.S., ASCOUGH J.C., EDMUNDS D.A., ANDALES A.A., WAGNER L., FOX F. 2005. Multi-Crop Plant Growth Modeling for Agricultural Models and Decision Support Systems. International Congress on Modelling and Simulation. 8-12 May. Anaheim, California, USA.

MCMASTER G.S., ASCOUGH J.C., SHAFFER M.J., BYRNE P.F., HALEYB S.D., NIELSENC D.C., ANDALES A.A., DUNNA G.H., WELTZ M.A., AHUJAA L.R. 2002. Parameterizing GPFARM: An Agricultural Decision Support System for Integrating Science, Economics, Resource Use, and Environmental Impacts. International Ecological Modelling and Software Society. 24-27 June. Lugano, Switzerland.

MEHTA C.R., SINGHA K., SELVAN M. M. 2011. A decision support system for selection of tractor–implement system used on Indian farms. Journal of Terramechanics 48(1):65-73.

MERWE A. 2009. A decision support system for scheduling the harvesting and wine making processes at a winery. Department of Logistics. University of Stellenbosch. South Africa.

MEYERA D.L., HORNBAKERA R.H., MAZZOCCOA M.A. 1992. Agricultural lenders diagnostic system (ALDS). Computers and Electronics in Agriculture 7(1):1-12.

MILLER D.A., HALL M.H., VOORTMAN J., KOLB P.J. 2002. A Web-based Decision Support Tool for Forage Species Selection. Crop Management. Plant Management Network.

MORA C., MENOZZI D., GARDI C., DALL’OLIO N. 2002. A GIS-based multicriteria decision support system approach to modelling the effects of land use changes on farm income and land degradation at watershed level. 4th European IFSA Symposium. 5-8 September, Palacio Europa, Vitoria-Gasteiz, Spain

MORGAN D., WALTERS K.F.A., OAKLEY J.N., LANE A. 2000. An Internet-based decision-support system for insect pests of rape. Bulletin OEPP/EPPO Bulletin 30, 155-158.

MUGA A., GONÇALVES J. M., PEREIRA L. S. 2008. Web decision support system for surface irrigation design. CIGR International Conference Of Agricultural Engineering XXXVII Congresso Brasileiro De Engenharia Agrícola – Conbea, Brazil.

MULO S.F., NeWett S.D.E., WHILEY A.W. 1995. AVOMAN: a farm management decision support system for avocado. the World Avocado Congress III. Israel. 265-274.

MURALI N.S., SECHER B.J.M., RYDAHL P., ANDREASEN F.M. 1999. Application of information technology in plant protection in Denmark: from vision to reality. Computers and Electronics in Agriculture 22:109-115.

MURRAY C., PINKHAM C. 2002. Towards a Decision Support Tool to Address Invasive Species in Garry Oak & Associated Ecosystems in BC. ESSA Technologies Ltd., Victoria, B.C. for the GOERT Invasive Species Steering Committee, Victoria. 96 s.

NEUHOFF D., SCHULZ D., KÖPKE U. 2005. Potential Of Decision Support Systems For Organic Crop Production: Wecof-Dss, A Tool For Weed Control In Winter Wheat. First Scientific Conference of the International Society of Organic Agriculture Research (ISOFAR). 21-23 September. Adelaide, South Australia. 123-126.

NEWMAN S., LYNCH T., PLUMMER A.A. 2000. Success and failure of decision support systems: Learning as we go. Journal of Animimal Science 77:1-12.

NGUYEN N., WEGENER M., RUSSELL I. 2007. Decision support systems in Australian agriculture: state of the art and future development. AFBM Journal 4(1&2):14-21.

NIERÓBCA A., ZALIWSKI A.S. 2010. Rozwój internetowego systemu wspomagania decyzji w ochronie zboż. Inżynieria Rolnicza 7(125):167-173.

NIERÓBCA A. 2009. Systemy wspomagania decyzji w ochronie roślin jako element integrowanej produkcji. Studia i raporty IUNG-PiB 16:31-44.

NIKKILÄ R., SEILONEN I., KOSKINEN K. 2010. Software architecture for farm management information systems in precision agriculture. Computers and Electronics in Agriculture 70:328–336.

NINOMIYA S. 2004. Successful Information Technology (It) for Agriculture and Rural

58

Development. Food & Fertilizer Technology Center. Taipei. Taiwan. 17 s. NINOMIYA S., LAURENSON M., KIURA T. 2002. Network Computing for Agricultural

Information Systems - GRID for Agricultural Decision Support. 3rd AFITA; Asian Agricultural Information Technology and Management. 26-28 October Beijing, China.

NJUBI D.M., WAKHUNGU J., BADAMANA M.S. 2009. Mating decision support system using computer neural network model in Kenyan Holstein-Friesian dairy cattle. Livestock Research for Rural Development 21(4).

NORASMA C.Y.N.N., SHARIFF A.R.M, SOOM M.A.M., MAHMUD A.R., KHAIRUNNIZA-BEJO S. 2008. Web-based GIS Decision Support System For Paddy Precision Farming. 7th Annual International Conference and Exhibition on Geographical Information Technology and Applications. 18-20 August. Kuala Lumpur, Malaysia.

O’BRIEN R., CORNER R., PETERS M., Cook S. 2002. A GIS-Based Decision Support Tool for Targeting Biophysical and Socio-Economic Niches in Tropical Agriculture. 14th Annual Colloquium of the Spatial Information Research Centre. 3-5 December. University of Otago, Dunedin, New Zeland.

O’BRIEN R., PETERS M., CORNER R., COOK S. 2004. CaNaSTA – Crop Niche Selection for Tropical Agriculture, a spatial decision support system. 7th International Conference on Precision Agriculture and Other Precision Resources Management. July 25-28. Minneapolis, USA.

O’BRIEN R., PETERS M., SCHMIDT A., COOK S., CORNER R. 2003. Helping farmers select forage species in Central America: the case for a decision support system. Agricultural Systems 1-29.

OCTAVIO A., FAWCETTB R.H., ARRIAGA-JORDÁNA C., HERREROB M. 2003. A Decision Support System for smallholder campesino maize–cattle production systems of the Toluca Valley in Central Mexico. Part I—Integrating biological and socio-economic models into a holistic system. Agricultural Systems 75(1):1-21.

ÖHLMÉR B. 2007. The need and design of computerized farm management tools. Lessons learned from a Swedish case. Working Paper Series 2007:5. Uppsala.

OLESEN J.E., PEDERSEN L., CHRISTENSEN S., SECHER B.J.M., PETERSEN J. 1997. An integrated decision support system for management of winter wheat. First European Conference Information Technology in Agriculture. 15-18 June. The Royal Veterinary and Agricultural University Copenhagen, Netherlands. 279–284.

OMID M. 2011. Design of an expert system for sorting pistachio nuts through decision tree and fuzzy logic classifier. Expert Systems with Applications 38:4339–4347.

PAL S., SETHI I.C., ARORA A. 2007. Decision support system for nutrient management in crops. Journal of the Indian Society of Agricultural Statistics 61(3):389-399.

PANCHARD J., RAO P.R.S., SHESHSHAYEE M.S. 2008. Wireless Sensor Networking for Rain-fed Farming Decision Support. 2nd ACM SIGCOMM workshop on Networked systems for developing regions. 18 August. Seattle, WA, USA.

PAPATHANASIOU I., MANOS B., VLACHOPOULOU M., VASSILIADOU I. 2005. Decision support system for farm regional planning. Yugoslav Journal of Operations Research 15(1):109-124.

PARKER C.G., CAMPION S. 1997. Improving the Uptake of Decision Support Systems in Agriculture. First European Conference for Information Technology in Agriculture. 15-18 June. The Royal Veterinary and Agricultural University Copenhagen, Denmark.

PARSONS D.J., BENJAMIN L.R., CLARKE J., GINSBURG D., MAYES A., MILNE A.E., WILKINSON D.J. 2009. Weed Manager-A model-based decision support system for weed management in arable crops. Journal of Computers and Electronics in Agriculture 65(2):155-167.

PARSONS J. 2008. Agland Decision Tool: A Multicriteria Decision Support System for Agricultural Property. Integrated Assessment and Decision Support. 1st Biennial Meeting Of the International Environmental Modeling And Software Society. 3:181-186.

PARV M., DZITAC S. 2009. CropPlanWP – A decision support system for multiannual crop farm planning under probabilistic water availability. 44th Croatian & 4th International

59

Symposium on Agriculture. 16-20 February. Opatija. Croatia. PASSAM H.C., SIDERIDIS A.B., YIALOURIS C.P. 1997. An IMIS-DSS for Vegetable

Production in Plastic-Covered Greenhouses. First European Conference for Information Technology in Agriculture. 15-18 June. The Royal Veterinary and Agricultural University Copenhagen, Denmark.

PATIL S.S., DHANDRA B.V., ANGADI U.B., SHANKAR A.G., JOSHI N. 2009. Web based Expert System for Diagnosis of Micro Nutrients’ Deficiencies in Crops. World Congress on Engineering and Computer Science. 20-22 October. San Francisco, USA.

PAVAN W., FRAISSE C.W., PERES N.A. 2009. A Web-based Decision Support Tool for Timing Fungicide Applications in Strawberry. Electronic Data Information Source of UF/IFAS Extension. University of Florida. USA.

PAWLAK J. 2004. Concept of a Decision Support System for producers of energy from biomass. Balkan Agricultural Engineering Review. Electronic Journal vol. 5.

PAZ J.O., BATCHELOR W.D., PEDERSEN P. 2004. WebGro: A Web-Based Soybean Management Decision Support System. Agron. J. 96:1771–177.

PAŽEK K., ROZMAN Č. 2007. The decision support system for supplementary activities on organic farms. Agricultura 7:15-20.

PEDERSEN H.H., MAEGAARD E., BLOCK N. 1997. the Danish Integrated Farm Management System. First European Conference for Information Technology in Agriculture. 15-18 June. The Royal Veterinary and Agricultural University Copenhagen, Denmark.

PERES N.A.R., SOONHO K., BECK H. W., SOUZA N.L., TIMMER L. W. 2002. A Fungicide Application Decision (FAD) Support System for Postbloom Fruit Drop of Citrus (PFD). Plant Health Progress. Plant Management Network.

PERINI A., SUSI A. 2009. Understanding the Requirements of a Decision Support System for Agriculture. An Agent-Oriented approach. PICO Project. 22 s.

PERTIWI S., KONAKA T., KOIKE M. 1998. Decision Support System for Management of Upland Farming With Special Condensation on Soil Conservation. 1st Asian Conference for Information Technology in Agriculture. Agricultural Information Technology in Asia and Oceania. 24-27 January. Wakayama, Japan.

PODLEŚNA A. 2009. Elementy wspomagania decyzji w tworzeniu planu nawożenia roślin siarką. Studia i raporty IUNG-PiB 16:19-30.

POMAR J., POMAR C. 2005. A knowledge-based decision support system to improve sow farm productivity. Expert Systems with Applications 29:33–40.

POTTER W.D., DENG X., LI J., XU M., WEI Y., LAPPAS I., TWERY M.J., BENNETT D.J. 2000. A web-based expert system for gypsy moth risk assessment. Computers and Electronics in Agriculture 27:95–105.

POWER J. M. 1993. Object-oriented Design of Decision Support Systems in Natural Resource Management. Computers and Electronics in Agriculture 8(4):301-324.

PRASAD BABU M.S, RAMANA MURTY .N.V, NARAYANA S.V.N.L 2010. A Web Based Tomato Crop Expert Information System Based On Artificial Intelligence And Machine Learning Algorithms. International Journal of Computer Science and Information Technologies 1 (1):6-15.

PRASAD J.R., PRASAD R.S., KULKARNI U.V. 2008. A Decision Support System for Agriculture Using Natural Language Processing (ADSS). International MultiConference of Engineers and Computer Scientists. IMECS 2008, 19-21 March. Hong Kong. 1:365-369

PRASAD R., SINHA A.K., RANJAN R. 2002. KISAN: An Expert System for Soil Nutrient Management. 3Rd Asian Conference for Information Technology in Agriculture, Beijing, China. 26-28 October. 346-353.

RÄDER T., RACCA P., JÖRG E., HAU B. 2007. PUCREC/PUCTRI – a Decision Support System For the Control Of Leaf Rust Of Winter Wheat And Winter Rye. EPPO Bulletin 37(2):378–382.

RAFEA A. 2010. Web-Based Domain Specific Tool for Building Plant Protection Expert

60

Systems. Expert Systems. InTech. 193-202. ISBN 978-953-307-032-2. RAFEA A.A., EL-AZHARI S., IBRAHIM I., EDRES S., MAHMOUD M. 1995. Experience with

the Development and Deployment of Expert Systems in Agriculture. 7th Conference on Innovative Applications of Artificial Intelligence. 21-33 August. Montreal, Quebec, Canada.

RAHN C.R., ZHANG K., LILLYWHITE R., RAMOS C., DOLTRA J., de PAZ J.M., RILEY H., FINK M., NENDEL C., THORUP-KRISTENSEN K., PEDERSEN A., PIRO F., VENEZIA A., FIRTH C., SCHMUTZ U., RAYNS F., STROHMEYER K., WARWICK HRI 2010. EU-Rotate_N – a Decision Support System to Predict Environmental and Economic Consequences of the Management of Nitrogen Fertiliser in Crop Rotations. European Journal of Horticultural Science 75(1):20-32.

RAIS M., CRASWELL E. T., GAMEDA S., DUMANSKI J. 1997. Decision Support System for Evaluating Sustainable Land Management in Sloping Lands of Asia. Conference on Geo-Information For Sustainable Land Management. 17-21 August. Enschede. Holland.

RECIO B., RUBIO F., Criado J.A. 2003. A decision support system for farm planning using AgriSupport II. Decision Support Systems 36(2):189-203.

REICHENBACH S.E., WALTMAN W.J., JINDAL G., NELSON L. A., MEYER S.J., PEAKE J.S., FITHIAN W., DAPPEN P. 2001. The Planting Date Calculator: A Decision-Support Tool For Agriculture. American Society for Photogrammetry & Remote Sensing Annual Conference. 23-27 April. Missoiuri. USA.

RICKERT K.G. 1998. Experiences with FEEDMAN, a decision support package for beef cattle producers in south eastern Queensland. International Symposium on 'Applications of modelling as an innovative technology in the agri-food-chain'. 29 November - 2 December. Wageningen, Netherlands.

RIEDL L., VACIK H., KALASEK R. 2000. MapModels: a new approach for spatial decision support in silvicultural decision making. Computers and Electronics in Agriculture 27:407–412.

ROBINSON B. 1996. Expert systems in agriculture and long-term research. Canadian Journal of Plant Science 76(4):611-617.

ROSSI V., MERIGGI P., CAFFI T., GIOSUE S., BETTATI T. 2010. A Web-based Decision Support System for Managing Durum Wheat Crops. Decision Support Systems Advances In (ed.) Ger Devlin. InTech. 11-36. ISBN: 978-953-307-069-8.

ROZMAN E., PAZEK K. 2005. Application of Computer Supported Multi–criteria Decision Models in Agriculture. Agriculturae Conspectus Scientificus 70(4):127-134.

RÜTEL A. 1997. The Farm Management and Decision Support System in Estonia. First European Conference for Information Technology in Agriculture. 15-18 June. the Royal Veterinary and Agricultural University Copenhagen, Denmark.

RYDAHL P., BERTI A., MUNIER-JOLAIN N. 2008. Decision support systems (DSS) for weed control in Europe – state-of-the-art and identification of ‘best parts’ for unification on a European level. ENDURE International Conference. Diversifying crop protection. 12-15 October. La Grande-Motte, France.

RYSAK W. 2009. Praktyczne zastosowanie systemu wspomagania decyzji w ochronie ziemniaka na terenie woj. lubelskiego. Studia i raporty IUNG-PiB 16:59-68.

SAADAN K., HAMDAN A. R. 2000. Development of Intelligent Decision Support System for Crop Management. 2nd Asian Conference for Information Technology in Agriculture. 15-17 June. Suwon, Korea.

SABESH M. 2007. Computer applications in agricultural research. Model Training Course on "Cultivation of Long Staple Cotton (ELS)". Central Institute for Cotton Research. Regional Station. 15-22 December. Coimbatore. India.

SAHUA R.K., RAHEMA H. 2008. A decision support system on matching and field performance prediction of tractor-implement system. Computers and Electronics in Agriculture 60(1):76-86.

SAMIETZ J., GRAF B., HÖHN H., SCHAUB L., HÖPLI H.U. 2007. Phenology modelling of major insect pests in fruit orchards from biological basics to decision support: the

61

forecasting tool SOPRA. Bulletin OEPP/EPPO Bulletin 37:255–260. SANDOZ A. 1997. Data Transmission in AGIS, the Swiss Federal Information System for

Agricultural Policy Management. First European Conference for Information Technology in Agriculture. 15-18 June. The Royal Veterinary and Agricultural University Copenhagen, Denmark.

SANSON R. L. 1993. the development of a decision support system for an animal disease emergency. Department of Veterinary Clinical Sciences. Massey University. New Zeland.

SARANGI A., MADRAMOOTOO C.A., COX C. 2004. A decision support system for soil and water conservation measures on agricultural watersheds. Land Degradation & Development volume 15(1):49–63.

SARMA S.Kr., SINGH Kh.R., SINGH A. 2010. An Expert System for diagnosis of diseases in Rice Plant. International Journal Of Artificial Intelligence And Expert Systems 1(1):26-31.

SAVILIONIS A., ZAJANČKAUSKAS A., PETRAUSKAS V., JUKNEVIČIUS S. 2007. Online Decision Support System for Dairy Farm. Advances and Innovations in Systems. Computing Sciences and Software Engineering 13-15.

SEFLEK A. Y., Carman K. 2010. A design of an expert system for selecting pumps used in agricultural irrigation. Mathematical and Computational Applications 15(1):108-116.

SHA Z., BIAN F. 2004. An integrated GIS and knowledge-based decision support system in assisting farm-level agronomic decision-making. XXXV International Society for Photogrammery and Remote Sensing Congress. 12-23 July. Istambul, Turkey.

SHAHBAZI F., JAFARZADEH A.A., SARMADIAN F., NEYSHABOURY M.R., OUSTAN Sh., ANAYA-ROMERO M., De la ROSA D. 2009. Suitability of Wheat, Maize, Sugar Beet and Potato Using MicroLEIS DSS Software in Ahar Area, North-West of Iran. American-Eurasian Journal of Agricultural & Environmental Science 5(1): 45-52.

SHARIFI M.A., FARHADI B. 2009. Development of Spatial Planning Support Systems for Agricultural Policy Formulation. Asian Association on Remote Sensing (AARS). 18-23 October. Benjing, China.

SHIBUSAWA S. 2002. Precision Farming Approaches To Small-Farm Agriculture. Agro-Chemicals Report 2(4):13-20.

SHORT T.H., DRAPER C.M., DONNELL M.A. 2004. Web-based decision support system for hydroponic vegetable production. Acta Horticulturae (ISHS) 691:867-870.

SHTIENBERG D., KRITZMAN G., HERZOG Z., OPENHAIM D., ZILLBERSTEIN M., BLATCHINSKY D. 1999. Development and evaluation of a decision support system for management of fire blight in pears. Acta Horticulturae (ISHS) 489:385-392.

SHTIENBERG, D., DINOOR A., MARANI A. 1990. Wheat disease control advisory, a decision support system for management of foliar diseases of wheat in israel. Canadian Journal of Plant Pathology 12:195-203.

SIDDING K., YAHIA M.E., AHMED E.A. 2005. A decision support system for determining the effect of seeding rate on crop yield. Conference on International Agricultural Research for Development. 11-13 October. Stuttgart-Hohenheim, Germany.

SIKDER I.U. 2009. Knowledge-based spatial decision support systems: an assessment of environmental adaptability of crops. Expert Systems with Applications 36:5341–5347.

SILVA C.A.B., FERNANDES A.R. 2000. Decision support system for small scale agroindustrial investment promotion in rural areas. The Electronic Journal of Information Systems in Developing Countries 2(3):1-7.

SINGH M., SINGH P., SINGH S.B. 2008. Decision support system for farm management. World Academy of Science, Engineering and Technology 39:346-350.

SIO J., LORENZO L., ALMACELLAS J. 2007. Pest management: collective decision making from knowledge building. EFITA/WCCA Joint Conference. 2-5 July. Glasgow, Scotland.

SKWARCZ J. 2009. Założenia systemu eksperckiego do sterowania procesem produkcji zbóż. Inżynieria Rolnicza 9(118):235-240.

SMIT A.B., STRUIK P.C. 1995. The first step towards a decision-support system for sugar-

62

beet growing: selection of a basic growth model. Journal of Agronomy and Crop Science 175(4):213-220.

SMITH C.J.N., OGLETHORPE D. 2002. The development of an integrated modelling system to support decisions on organic farms. UK Organic Research: COR Conference. 26-28 March. Aberystwyth. UK. 161-164.

SOJAK M., GŁOWACKI SZ. 2005. Możliwość zastosowania systemu ekspertowego do wspomagania decyzji w prosesie zwalczania szkodników buraka ćwikłowego w okresie jego wegetacji. Inżynieria Rolnicza 14:323-330.

SOJAK M., GŁOWACKI SZ. 2008. Klasyfikacja marchwi z wykorzystaniem systemu ekspertowego. Inżynieria Rolnicza 7(105):201-206.

SUGUMARAN R. 2002. Development of an integrated range management decision support system. Computers and Electronics in Agriculture 37:199-205.

SUSWANTO T., SHAMSHUDDIN J., OMAR S. R. S., THE C. B. S., MAT P. 2005. A decision support system for rice cultivation on acid sulfate soils in Malaysia. Jumal Tanah dan Lingkungan, 7(1):1-5.

SZLACHTA J. 2006. Komputerowe systemy zarządzania stadem krów. Inżynieria Rolnicza 2(100):17-33.

THOMSON A. J.,WILLOUGHBY I. 2004. A web-based expert system for advising on herbicide use in Great Britain. Computers and Electronics in Agriculture 42:43–49

TIAN-EN Ch., LI-PING Ch., YUNBIN G., YANJI W. 2009. Spatial decision support system for precision farming based on GIS web service. Information Technology and Applications. Information Technology and Applications 3: 372-376.

TICHA I., MOULIS P. 2004. Decision-making support for Czech farmers. Agricultural Economics 50(2):59-64.

TING K.C., GIACOMELLI G.A., FANG W. 1993. Decision support system for single truss tomato production. XXV CIOSTA – CIGR V Congress. 13-15 October. Wageningen, Netherlands.

TON Y., KOPYT M. 2003. Phytomonitoring information and decision-support system for crop growing. 2nd IS on Intelligent Information Technology in Agriculture (ISITA2003). Beijing, China.

TRAPMAN M., HELSEN H., POLFLIET M. 2008. Development of a dynamic population model as a decision support system for Codling Moth (Cydia pomonella L) management. 13th International Conference on Cultivation Technique and Phytopathologica. 18-20 February. Weinsberg, Germany

TUOT C.J., DENGEL A. 2009. Spatial Decision Support Systems as a Means Towards Sustainable Agriculture. 4th IFAC International Workshop on Bio-Robotics, Information Technology, and Intelligent Control for Bioproduction Systems.z 10-11 September. Champaign, Illinois, United States.

UDOVC A. 1997. the Decision Support System KMETIJA - A Tool to Help Farmers at Production Economic Decision Making. First European Conference for Information Technology in Agriculture. 15-18 June. the Royal Veterinary and Agricultural University Copenhagen, Denmark.

URBAŃSKA M. 2010. System wsparcia decyzji w ochronie roślin uprawnych. Inżynieria Rolnicza 7(125):223-228.

URSINUS W.W., SCHEPERS F., de MOL R.M., BRACKE M.B.M., METZ J.H.M., GROOT KOERKAMP P.W.G. 2009. COWEL: a decision support system to assess welfare of husbandry systems for dairy cattle. Animal Welfare 18(4):545-552.

VAN WYK J. A. 2008. Envisaged On-Farm Computerised Worm Management Decision Support System. XV Congreso Brasileiro de Parasitología Veterinaria. Curitiba, Brasil.

VEGA M.M., CARBONELL G., PABLOS MV., RAMOS C., FERNÁNDEZ C., ORTÍZ J. A., TARAZONA J.V. 2002. EGPE : A computer decision-support tool for the Eco-management of animal manure as agricultural fertiliser. Integrated Assessment and Decision Support. 24-27 June. Lugano, Switzerland.

WAALS J.E., DENNERC F.D.N., RIJD N., KORSTENB L. 2003. Evaluation of PLANT-Plus, a decision support system for control of early blight on potatoes in South Africa. Crop

63

Protection 22(6):821-828. WAGNER P., KUHLMANN F. 1991. Concept and implementation of an Integrated Decision

Support System (IDSS) for Capital-intensive Farming. Agricultural Economics 5:287-310.

WAHBA M.M., DARWISH Kh. M., AWAD F. 2007. Suitability of Specific Crops Using Micro LEIS Program in Sahal Baraka. Farafra Oasis. Egypt Journal of Applied Sciences Research 3(7):531-539.

WAKSMAN G., BRUN F., DONNAT E., COFFION R., WALLACH D. 2010. Decision Support System in French Agriculture: the need for information exchanges. Scientific and Technical Information and Rural Development IAALD XIIIth World Congress, Montpellier, 26-29 April.

WALKER T., FRIDAY J., CASIMERO M., DOLLENTAS R., MATAIA A., ACDA R., YOST R. 2009. the early economic impact of a nutrient management decision support system (NuMaSS) on small farm households cultivating maize on acidic, upland soils in the Philippines. Agricultural Systems 101(3):162-172.

WANG L.S., PUSHENG A.K. 2000. Orchard-oriented decision support system for pest control on apple and pear. Acta Phytophylacica Sinica 27(4):302-306.

WANG Y., GAO H., TAO H., LIANG Y., GE P. 2006. Research on the Framework System and Technical Platform of Digital Agriculture. 5th FIG Regional Conference. 8-11 March, Accra, Ghana.

WAY M. J., van EMDEN H.F. 2000. Integrated pest management in practice - pathways towards successful application. Crop Protection 19:81-103.

WEI W., XINYU G., SHENGLIAN L., CHUNJIANG Z. 2008. Agent-based Intelligence Decision Support System for Virtual Greenhouse. The International Journal of Virtual Reality 7(2):47-50.

WILSON D.R., CLOUGHLEY C.G., SINTON S. M. 2001. AspireNZ: A Decision Support System for Managing Root Carbohydrate in Asparagus. 10th International Asparagus Symposium. Niigata, Japan.

WOLFERT J. 1998. Decision Support for mixed ecological farming systems based on physical product flows. Workshop Mixed Farming Systems in Europe. 25-28 May. Wageningen, Netherlands.

WÓJTOWICZ A., KRASIŃSKI T., ŁEPKOWSKI M. 2008. Internetowy System Wspomagania decyzji w ochronie ziemniaka przed sprawcą zarazy ziemniaka. Progress in Plant Protection/Postępy w Ochronie Roślin 48(4):1552-1555.

WÓJTOWICZ A., LIPA J. J., JÖRG E. 2004. Economical effectiveness of phytophthora infestans control according to decision support systems. Journal of Plant Protection Research 44(4):323-328.

WÓJTOWICZ A., WÓJTOWICZ M. 2003. Zastosowanie systemów wspierających podejmowanie decyzji do optymalizacji ochrony rzepaku ozimego. Rośliny oleiste/Oilseed crops 24(1):167-171.

XIAOLI L., CHEN Y., DAOLIANG L. 2001. A Spatial Decision Support System for Land-use Structure Optimization. Wseas Transactions On Computers 3(8):439-448.

YANG M., YANG F., SHI L., ZHUO J. 2005. Study on Web-Based Agricultural Mechanization Decision Support System. Artificial Intelligence Applications and Innovations. IFIP International Federation for Information Processing vol. 187:815-823.

YANG Y., FULIN W., JIE Z. 2009. Intelligent fertilization decision support system based on knowledge model and WebGIS: Decision for fertilization. 2nd IEEE International Conference on Computer Science and Information Technology. 8-11 August. Beijing, China.

YILMAZ D., AKINCI I. 2003. An expert system on agricultural machinery engineering. EFITA Conference. 5-9. July. Debrecen, Hungary.

ZALIWSKI A.S. 2009. Ogólna koncepcja krajowego systemu wspomagania decyzji w zakresie produkcji roślinnej. Inżynieria Rolnicza 6(115):323-329.

ZALIWSKI A.S. 2009. Organizacja modułu pogodowego krajowego systemu doradztwa w zakresie zrównoważonej produkcji roślinnej. Studia i raporty IUNG-PiB 16:107-116.

64

ZALIWSKI A.S. 2009. System wspomagania decyzji w wyborze odmiany kukurydzy (ZeaSoft). Studia i raporty IUNG-PiB 16:83-96.

ZALIWSKI A.S., HOŁAJ J. 2005. ZEASOFT - system wspomagania decyzji w uprawie kukurydzy. Inżynieria Rolnicza 14(74):385-393.

ZALIWSKI A.S., HOŁAJ J. 2005. Internetowy moduł analizy kosztów ochrony pszenicy ozimej. Inżynieria Rolnicza 8 (68):409-415.

ZALIWSKI A.S., HOŁAJ J. 2007. System wspomagania decyzji w produkcji kiszonki z kukurydzy. Inżynieria Rolnicza 2(90):327-332.

ZALIWSKI A.S., PIETRUCH CZ. 2007. Narzędzia informatyczne w produkcji roślinnej. Inżynieria Rolnicza 2(90):333-339.

ZETIAN F. FENG X., YUN Z., XIAOSHUANA Z. 2005. Pig-vet: a web-based expert system for pig disease diagnosis. Expert Systems with Applications 29:93–103.

ZHANG Y., FENG L. 2010. CropIrri: A Decision Support System for Crop Irrigation Management. Computer and Computing Technologies in Agriculture III IFIP Advances in Information and Communication Technology 317:90-97.

ZHI-QIANG W., ZHI-CHAO Ch. 2010. A Web-based Agricultural Decision Support System on Crop Growth Monitoring and Food Security Strategies. 3rd International Symposium on Computer Science and Computational Technology. 14-15 August. Jiaozuo, China. 487-491.

Projekt współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego AGROINŻYNIERIA GOSPODARCE