Пояснение к русскому FB2 изданию[1]
Книга Кевина Кохера «Как тренировать полицейских собак-ищеек...» была издана в печатном виде в разных странах небольшими тиражами в 2010–2012 гг. на нескольких языках: английском, французском, немецком, испанском, русском.
На русском языке книга была издана в 2012 г. очень ограниченным тиражом и продавалась в России на семинарах Кевина Кохера.
Электронные версии на всех указанных языках продаются на Amazon.
В изданиях на разных языках (в печатном и электронном виде) присутствуют определенные отличия в иллюстративном и текстовом материалах.
Для создания fb2 файла, на Amazon были куплены электронная русская и английская версии книги Кевина Кохера для Kindle:
https://www.amazon.com/Police-Bloodhound-Discriminating-Patrol-Russian-ebook/dp/B00AFFANCA
https://www.amazon.com/Train-Police-Bloodhound-Discriminating-Patrol-ebook/dp/B00JBKKSCA
Текст данного файла полностью соответствует русскоязычной версии книги Кевина Кохера с Amazon.
В русском издании книги, продающемся на Amazon, использованы только черно-белые иллюстрации неудовлетворительного качества. Совпадающие цветные иллюстрации лучшего качества для fb2 файла книги частично взяты из английского, французского и испанского изданий с Amazon. Остальные черно-белые иллюстрации из русского электронного Amazon издания были тщательно улучшены для создания данной версии fb2 файла. Схемы увеличены и полностью перерисованы для читаемости.
Я бы хотел поблагодарить моего старшего брата Джима Кохера. Спустя столько лет я уверен, что он всегда может дать мне дельные советы о жизни. Благодаря нему, я понимаю, что не совершаю некоторые поступки не по причине того, что я считаю их недостойными, а потому, что мой брат — это тот человек, на которого я стремлюсь быть похожим.
Двум моим редакторам
Карен Портер Гизлинг, начавшей первой исправлять мой несовершенный английский. Спасибо Вам за Ваш тяжелый труд. Я представляю, какой чрезвычайно сложной оказалась эта задача.
Синтии Визнер, взявшей на себя руководство проектом, который до этого был на грани краха, и руководившей им до успешного завершения. Я надеюсь, что все читатели никогда не забудут Вас, как не забудем Вас и мы с Робин.
Примечание к русскому
[2]изданию
Повышение эффективности использования следовых собак в реальных случаях является основным лейтмотивом, который движет нами, кинологами ПСОкв «Надея», в нашей работе над переводом этой книги.
Наша группа взяла на вооружение систему тренинга следовых собак, представленную здесь. Мы сочли эту методику лучшей и готовы к работе. Если у вас возникнут какие-то вопросы, касающиеся этой книги, но вы не знаете английского языка, мы будем рады вам помочь.
Перевод с английскогоЛюбови Кошевой,ПСО кинологов «Надея», следовая группа FNF, (поисково-спасательные, следовые собаки) Архангельск.
Редакция, а также перевод с английскогоОльги Едемской,г. Архангельск.
Также выражаем огромную признательность за всестороннюю помощь и содействие появлению этой книги на русском языкеИвановой Анне,проводнику поисково-спасательной собаки (ПСО «Надея», г. Архангельск).
Огромное спасибо за профессиональные консультацииСидельниковой Елене,кинологу и проводнику следовой собаки, г. Магнитогорск.
Все начинается с заблуждения:пройдет много лет, прежде чем вы научитесь понимать и «считывать» вашу собаку в то время, когда она разыскивает или выслеживает человека.
![](data:image/jpeg;base64,/9j/4AAQSkZJRgABAQEASABIAAD/2wBDAAMCAgMCAgMDAwMEAwMEBQgFBQQEBQoHBwYIDAoM DAsKCwsNDhIQDQ4RDgsLEBYQERMUFRUVDA8XGBYUGBIUFRT/2wBDAQMEBAUEBQkFBQkUDQsN FBQUFBQUFBQUFBQUFBQUFBQUFBQUFBQUFBQUFBQUFBQUFBQUFBQUFBQUFBQUFBQUFBT/wAAR CAEjASwDASIAAhEBAxEB/8QAHgABAAEFAQEBAQAAAAAAAAAAAAcEBQYICQMBAgr/xABDEAAB AwMDAgQEBAQDBgYCAwABAgMEAAURBhIhBzETIkFRCBRhcTKBkaEJFSNCYrHBFiQzUtHwcoKS orLhFyVjwvH/xAAbAQEAAgMBAQAAAAAAAAAAAAAABQYCAwQHAf/EADMRAAICAgEDAwIEBAYD AAAAAAABAgMEESEFEjETQVEUIgZhcYEjMkLwFVJTkbHRQ6HB/9oADAMBAAIRAxEAPwDqnSlK AUpSgFKUoBSlKAV87UJA71gmtur1h0Xf7dY5EkvXWa4lPy0fzrYQQSFrHoDt4rRddDHg7LHp I21VTumoVrbZlF6vzFmY3rSp108IZb5Uo+gqNLn1dusi5TIdrjQkvRAC4w6srWkn3UPLUY9T upKdVT5saE+Uvw5aYsUtrKdhJCVLUr6VZbrcG7ndX7XYJSo9pQjEl9lnxHH3OdxK89ga8/zO uXWuSrfbEu2F0WEYxlctyfz4RKs/Ud6lgfzK9usxn04DcXY3sPf8QGaxSRfdTaWxO05eZU0o UFqg3Ml5DiO5xwCD7Yq0MQnLnZW4L8xMvwVpCXVI8NSCMjBHvyK/Nr1DMTKnQrmtCHo6QmOt tBSVYyO/3xURHNyJSUlY9kyun0JdrgmT50s6pQepdpU422YV1jHZMgOHzNK9x7pPvWdVqZGv abJq+Le7Ow8i8xiS+w2fJMYIG9CiPXjI47itqLVcWLvbY06MvxI8htLravdJGRXoXSs/62p9 38y8lC6lgvBt17Mq6UpU4RApSlAKUpQClKUApSlAKUpQClKUApSlAKUpQClKUApSlAKUpQCl KUApSlAKUpQFq1XcnrNpi73COkLkRIbz7aD2UpKCoD9RXJ7p11WumrNc6hvEQu3ScsplSJDi txVLUgA454SAQAkcCusOpmBO05dY3iIZ8aI634jhwlO5BGSfQc1zf+GfodE6TxFTLu9HVc5K S81GdJQlx0DaD5hyOCciqv1ySVcU2WvoC/iyevBU/JzNMwo8K6PBF4lES5aslRaySSSPeqPr L1ategbZtjXdVst8faQzFV/UcKh5nXCeTz6Crh1Puz2l5zMa6w2vnbq46pcs+YKAHlSj9QMG tK+s82/XO5SZkO3yJchlYUhLsMvHwv7lYwRgAc+vNVPAw1l2rfguufmLFq7kts6AdGOo1w1j 09i3lc5m7syU7GZzWA4FZGA6nGQeODzms1kyP5h8mXQFP7SFKJ8xOSVfpitMOmPxS2nUrMOB brMYVxXF8CaqKC02CgAtr252p8wznjuakm6fELcJ70adDQ2468shxTY2pQrakK7n3Kvzr5kY sqLGtGunIhkQU4s2FYgOOuLVGWtt6TOZjocSeUJI3KP6Cpg+H7XrcuFI0vLT4E6A+8hlGcp2 BWSgfVOf0rV/QPUIptunFTZC2HZ0uROMhI/CxH8iUf8AmKsZrL4fUeFF1ZatVWRTTj8OWfno iPMNisJWrjurYo/mK34WT9Fkdy8N8nD1HF+sqktcrx+qN2aVTW+cxcorUqK6l6M8gLbcSchQ NVNempqSTR5k009MUpSvp8FKUoBSlKAUpSgFKUoBSlKAUpSgFKUoBSlKAUpSgFKUoBSlKAUp SgFeUmUzDjuvyHkMMNpK1uOKCUoSO5JPAFehOBWknxq/EPEudxkdNLJH/m4jqCbz4cjw0pdI BQycDJxnKsH6HtWqyfZHaW2b6a1bYoN6XyWnrd8Vw1pquRYbBcW27QhZZiuKJMaQ4nutaxgK T7DNY7IF51RDjSLld46jDQFfPIUlTaM9wn2T7Ctb9IdO4j+q4bEiSqwGQ4pxTC3FKbVjzbUp Ucfap9k2e2TLDPtQfXGfMTIdSClCQFgckYBPJz7cV511B2K5yt9z0rpsKo1+nUvHuW/V7ts1 fLhWh+Y7drn4hkRVR/MmKUjIP2zirVf9LSLdjUcK8/y2a2oFC2VYTwhQUMZHByMj1q52aFbt ETHkNvodDrA2ubyonI57/TJq4+BaNQdPL1PfkpbQwflmI5QFbVK4UefyrVRa8d90DsvpV67J mpE663y56kcuTqYDkOKlZekQGm2EyHT6KCBglJxWW2NhyPHVLeKUhxxAbyM7StWe3bnFXiZo dVu0bHj25KF2piW66hQQEqcUogEqPOe2avmp9LK0/oLp3BcUkzrzI8eUknHG3IGf++1bsjI9 bn3NONi+h+hlWqrdLiWHRa2lIaT8i8S4TjG1wlY2+xODVd0kiSbbqpEYL2KEFt8t+GcFSsrW r80qHH0qntMZrWOo4kQSUvQ7a0ptTZHDhUUEBJzx7k1fNJXFxzVN6uqQAj+YLYYCDnc2geGc fTjtURJvTRI67WmbafDDq2e6zO09N5ZZQZEQ+qUhW1Sftykj7mp9FadfDbrhDPU6GxIV/Tns SIKFLUAPEylaP1DSgPqa3FHIr0To17vxI93lcHmnWqFRmSUVw+T7SlKnCCFKUoBSlKAUpSgF KUoBSlKAUpSgFKUoBSlKAUpSgFKUoBSlKAUpSgPh7Vwc+Ii73LRfxJ9UGbVNkQZcHUM14uup LgfKnFuBR3DkncRjOBxzXeNX4TXFP+IRphB+JbXk2Iym2vOyY4WhQyHz4LZ8QAepP+dc9z0k /wAzrx4uTeiFbD1+v2q7tFduoROW4rDrEdO1bYSP+LgZ2DOPMeK2u0LrrWQ6ZsfzCwuX2Ut/ a5Lt8hBdaUVDlxlWN6VDGVA8Vrf0qtsrUKXNLCYWAVqBaZipadDZX5kuOJAW42Fc7SfUVt01 eoegHYVruD7sRlcdcZiTIY8FD7iinjd/aQlCvMeDxVV6tZCeopclz6PXOH3SZGMw3GH1Dct8 5SkMrkFSQhZKWgrjGfUDJFZRpK2TI9jdTJeLkaRuacbPo4okhY+vFY1e7Q7Y5D61XJDsx58u BHjZLCdxASfqDkfXNZ8m/MWmE0EsOzJziMqYVgAnucY9gaqVsnFaRcoQT5KXVj0DSGmI0RqS l55ZLxZbXlTYwDz9zUa9Wtduxm9ENPLJkwIKX1ocGfDOwA/pur11nMRpzS15jpb8W4vrHjOu K8zac5wPUDGP1rAo6pnUnqxa7bFx40sMW8lwbkISrlxZJ9Ep8xPsiuvGqb+9+Dgyruz7Ceul 6hpDphJ1lPStLshClsMo75UopaA+4ANXKK8/pnSkRskmc4E71d8bjlR/XNUE3Uds6j63t+mN PJU5oLRu0mU2sFFxmIQAjBHBQjnt3NXu9x33ohfc3LUoBISkcIwa05G4vk6a33pM9dK6lNr1 LZZqHVMeBcI7oVgeTY4CD/8AL9a6dA5HHauS1ss78uQ7HWVhwDcN/BIycBP+LPbPtXSzojrm JrzpzaJkZ11bsZpMKUmR/wAVLzYCVFX3xu/OrN+HbUozqb58lL/EtcnOFmuFwZ9SvgIPavtX QpIpSlAKUpQClKUApSlAKUpQClKUApSlAKUpQClKUApSlAKUpQClKUB8PbiuRH8UiK3oXrjd Lk4yvwbtaWJjSUHhSyCzuJPI8zfpXXZf4TXLX+LHbWdW62MZpKnplrsUfKGsEhC3nlEkdyQQ 2ePRRrkyZRjGPd8o78OMpTaj50zV7oJqG2atuaLk6El9oht6EpxaVngDDZRz5iMjccZ7kVs7 EtcpmJKjQXot1ffa/wB705fsJdZcUMZbdIKiBxlKvUcZrSrTnT+/9KbrIuESQ+y/Gd8F1ASU 5wkHA9jzkH6VsPp7qZD6g2mNb72qczeI6ytF0jP/AO/JJPIUv+9GR2PPNVjPqjOTnB8FxwJz guyzgybXVrfuEiPabaxb7fMSHZLpivl1QJUohCyU9yMHHoc4q3RTaYLrYvtzfVC8IKy1w4wP wqIx3wrtVerTxjqXPt8orC2yXpMuWFJJUCQpR/twFdqh/rR1EiW1MoW8glYCIj5wUuNISM8Y 4yvcee4xVfhQ8ifZEsUr4Y0O+TMo69TGSxap0a4Rrzap7QbRcGcJU+4ncP6gwAF4Cc4rDtAM SINp1DKVvbmT4Xy7Ow4LSF+Rxe7+3KCU+/mNUmkoUbqD01uMd+4Nq/kyXLiwlnOC4pxtAbI7 AEqPb2qvtjjEG5RWEOqWgo2Op8TAScAgEdjgipWMVTF1e5ESn6sla/DJr6KsQLXp9uDHUI7L DoZa2gYcSRkqz9yf3qTZqmmY62nFlKk4WVI7c8YrXfRuozBlRy68Ux0q2rSzjk7sAgDgetTi 9PRJZCmgFRzlK1OHnKfpULkR222WLHaUVo94wS9emUbUq8PglI/GQCR+gJ/WpR6G9QZOgdTM 3ALUmzSU/LXKGk5BX4ikodweygEj8s1C+lbpvkylvr8FDIcX4n4sAJ/FWQWJxbWnvHD4dWUF 9SlHG/lShgfnWrGvnitTj5ObPqhlx7JLg6URZDUphDzLiXWVgKQtByFA+oNe1a6fC/1CuFwU /p2e67IZQ2p6Itw5LaQeUZ9RyMVsUK9NwsuObSrY/p+55TmYk8K50z/tH2lKV3nCKUpQClKU ApSlAKUpQClKUApSlAKUpQClKUApSlAKUpQClKUB8UNwxXG/4yOoUi79cdY3mPISpYnqjxXk HA8FhKWgkehB25Oe5VXZAnArit8V3SXUnTPWM6LfYim3ZQdeaf3JEeUhZVlTSie2OFD8QO33 qH6km4xS8bJvpTjGyUn50TFqLQTGr4AlxmUui6xUTmlgbk4U2FDB9xvGR759qgHrb0rV0s6b /wC2alLtUlF4VAbaUClb6lpC1Y9wndgH1IPtUgfDj8U+jtJaQt2mtcvOW1+zbvkro6w44y+x uKktL2AlKklRByOxHtUSfFp8R+m+pN2tNn08+5erHa5K5CLjOZWylffY0hOASEbj5iMnNcdN P7os+RfXKnaepEPO9WUR4Cm1zpMpbgG9lxKgFf8AiIUBkcc4qwRU37qfqWIlkJfWpta0tLWN qG2xznsCeO3cnFfpvTMW/H5yK6hcrxQ6pptXlxuGRk428HueKuemm1aanuyYttku3LeTGWQr w0D/APkz5VK9iOOKkqoUVpyUdMq98siz7X4ZKvRvT86dEssZ2YW0vJQVRG07fEa2qKQ5xycj d61e+omlJFoZiT4y1AFgSAcDaVZ2q3cewFe/QSZL/wBobW0/sbaVEVvLakZJShQS4kDlOSTk VK3UfTGdElhRQtUOKG1lH93G7GffzVT8y5wyUl4ZdsKj1MFL3RCWiZyV3iMhTiS2tYCikHaj 6mtjbdLkRYj0PxghbmXE577AOfzPetY9MsKg3yGgtqSVkENo5Lisjy4/61shMT4CokhDZDru 0EgkoSO2M/fisclKUf1N2G5Nv8ih1G47pPQk+bGK3nJhXHBIykBYAyo4+uPvX4f1yzF0jHaQ taX5LCWkJWNikeUAH7VnOpC3o3p+ETpkePLnNLT4b5G5lBTgqSk9yArNQHa7P/tNc1SvMWWl pKEuHCU+wx34qLrgpQXd7HZdNxsXaTppTrXc9Naqsc6ySQPk30B11SAUup4DjePqlR5rqLGe D7Tbg/CtIWPXuM1yHixILUbCNpW0PBTs4yAfMfv9a6udO3PG0HppwEqC7ZGVknvlpNWb8Py1 3wXgqX4lh99c/fRkVKUq5FKFKUoBSlfN1AfaV+SrHoa/VAKUpQClKUApSlAKUpQClKUApSlA KUpQClKUB8IyKgP42ejaer/Qa/og2wXHVFkjuXOzJSMuqeQklTSffxEgp29idvsKn2vyU85z isZRU4uL9zOE3CSkvY/nPlWwxor0l1ZX45UkZ5/uzgp9wTt+nb0qPL1DQ9c0LdeS2Vr2qDow UjHf69q6xfHl8FFphwL11N0rKhWeKpSHbtaHmVhorKsF9pSASgkkbkYCTknI7VzJ1fYIdtub bT0uNPAJJTGdCyODj7AH0PNREN029jJ2S+pq9RMwy13GTHdmNQ3nW2HiUHwshKk+xHqKyXph qBdn1u2xLee/l8hpbDmVEhAPZYB44P8ArVojxwx/SiqKQvlSSn/U5rzue+yyGrg0ncttfY8p KfUGtzSs3FLyaoydbUm+Ebh9GrHbYWtZk+TtMwgobbQBhbah+NJHGD9PrU2TojFwHy6NrpkL SlSUgbU4wPwgfQfpWlekevdog21plcWazOZUkRlIAPH/AC9/w+1bN9I+rdsvttcfjOuuzBje wfIoK+w4NUPqGJkVz79cHovTszGnDs35MKVopEDrbDtxbU626+VhtI2hQ4J59u9Tzqu0Pm1X KcsIh2+O2XGlYA2FPm5zgEYqNNR3+32LqJa77LjSUxYoW7JKUoStzKfT0NatfEX111LrW7iz G6OMWRG4IhMnYFI3EpDmPxY475FdGNjWZs4xfC9ziysmvBhKS5b8aMjvetn9baqfnuyF3Mj+ m2p+R4jYSO4QD6cmsy05ePl4ZaaS4hYJUVbsk+9QLoOcku7XAA5jlKuCrAxxj0qTW7uYrbCY LLjk9eQlAHBBGDz9DipLIojXJRXgjcbIdkXOXLJda1C0mJhbh8UoV/bg+/r+ddeelbrb3TPS DjP/AAl2eIpGTnyllBFcQpLdzRb1uvJUleCGwOcjCs5z9a7b9H4Zt/SfRMVQ2qYscFoj2IYQ P9K6uiwUZTIzrs5SUNmYUpSrWVEUpWP621xadAWCTd7xIDEVlBUEgje4QPwpHqa+NpLbPqTk 9IrNSaktukrNJu12mNwbfGSVuvOHAH0+p+lc2viD+NrqHrK9qh6NkSdKWDetptbCSiStST5S tY5G8KHA7Yq79XOs2oOsd6kSpDiWdNxnCI1uGSHEAYKhjgq3KSMn61Dl7ssVuatUVKmWY6Vu ENL9ipLi8HsQrPf0FVzJz3KXZX4RZsPBVcfUsW2ZR0r+Njqd04vRTdLudZQ5LgSqFcZBdU2A nzKS53HIP05rf3ol8T+jOtsGMi33KPBvy0kuWd90B3I7lsnHiD6jt61y/e6cePAjzXW1BaEF tL6uTnOVKP0wTWCbJtnmxZMKZIt06GMtSmDsWwQe6MfhPbP3rCnPnDh8o3ZWBCxd0Vps7sg8 cnmv1WpfwZ/Fk51JtcTR+upfga3QViI88gNi4tJHGCO7iUjze/JFbZBWSfpVirsjbHuiVeyu VUu2aP1SlK2moUpSgFKUoBSlKAUpSgFKUoBSlKAUpSgMZ6laTga40FfrDc2UvwZ8NxpxCu34 cg/kQD+VcMOofTSNJmO/LLIkspO9SUgLJye/p9a7d9cdWr0L0l1RfWkKcdiQlqQlJwSThI/z rkv1OsPy+rLk804rwX1JW3tHGFJBIqr9UtdV8HF86Lf0Sn1abFLwawo0xIgzFrLJU16A/wCd G9Ofz6cxFCkpbySvkDipYlRWklSVNK2/hJSnOKprbpr+XXdlwNl5C0+XYnCcd/1rljmvW35J F4KUkkuDFbL0zUmUl7wcYIIUTnIB7Gsg1Boe8adeTcLHJdjzFp3lTfCSPY/b/Wp90hYIbqGy +MgAObcZOTxgmsqk2mDMRKZTBanNsNL/AKYISFjaeB7njt9Ki7M+bs1LwS1XTo9u4rTNWLar UWp7Ulc2e94iMjw3OSD2z9jUMa90hMi38rcWXz3UTxjmt6L/AKNtqyqRByh5SS1hP4Bg8ceh GMVrxrHTsidNKyx/USSFuJ9MHua7cLNUZcEdnYG1pvZEumrKhtbbvjKOw7QFnkH/AKVOmiY8 aElZT/VeVsUFYyWyDnOfao/ZshS6UstoJRyXFccVe3Z8pyMmFHUtltYwtbacZz9a35U3c1rg 5aIOiOtbJDueqoLceY2S5NfUhZKUJwEnGR6evNdoumNzZvfTjSdxjgCPMtESQ3t7bVsoUMfk a4iM2NhmOwyhQ8TYSsYxuwCPNj2zmuuvwWXN67fC104cecDq2LZ8mFBW7KWXFsp5/wDC2K6u j6U5xOTrvdKFcmTbSlfha9nJIAAySatBTywa815ZenGlpt/v01EG3RU5UtXdSj+FIA5JJ4rm JrzqpfeuHUi73yS8uK2U/LwIiHC8yzjjw0p9CsAEn3Jqcfia6hvdXtXK07b3FOabtjm0oC2w mQ/uUlSjuWDgYwDg9zUT2S1/7KwIzcaMhD21DCWXGvOlxRJ35T+Ij0xx71Us3Odlnpw8It2D g+jBWT8v+9Htb43h2QQmiqOw0FJb8bAKgRkoP1zj9BWI3ZxNpuc1hlsFeQypbwylRwpK8Y75 C1/oKyK/3GNDtcJj5ZfzqG1HxEjj/iKS5n/F2rCtVtBi4pdZZS3NDpDaANwKzu3EZ7gjZk/W oVzW+CzV18LZIkxDki1PNZMdhpv+k6BwFrTkk/TGahe92iIW3BEdcbSH0pcllJUog7S5/wCo 44qTXfk5L0WP4jqI7jraHY+C21vSTwSP7dvb3r8NWePHYj/OMpbLTq2iGFApUtX95J9QMHH+ E1vql52cmQnF8EQ6cjyYzkBhppcSbBlrVEkLWSG1tLT5wv1VkqPHYA966U/DN8UcXqbDY09q WVGj6taPhNONE+FcAE5C0nsFkZO3vjkVptetPQbtGcdiqaDrLjkplK30JUyjb/yD1xxnuSSa rrZpC5v2O33O3qRb1hCDES0Ah8PJHKht5KhgflW2rNniT7v6X7GqzBhnV9sv5l4Z1HSrOB61 +qhb4auvLHVzThgXN+KzrO1ISi5Q2nPxgjyvIB5KT2PsQfpU01darY3QU4eGUC2qVM3XNcoU pStxqFKUoBSlKAUpSgFKUoBSlKAUpSgIs+KKK7M6A61QyR4iYBcGex2qSSP2rmFcFGW4yzLa JcwG1KKjhJHP/wBV1v6habGsdD32xnP+/wAJ2OnH/MpJx++K5YKszltmSY9wQ6mQ3lDiHU8h QOCOKpnXU42xnrjRePw84yrsg3zswWTp4GRuZjoWkkpdQRn9KoV2520JawhRhqUcpVxsJ+1S K/bUpjBxGSoYI29/sa9JdqhXaKpLyhhI8zZVyDiq3G7fBb1Wtlj0ZqI2hb8aQ2lbeMp2Dn6d 6y5N2jRJLJcxFbW7hBIHBUO4x6j/AFNYYqzpbShlyQhS1ABLw5U2B7e5Nfq4W5VsmoSZrjsd 7YkSXcEjOfKR6Vrlyzog21yXzVKHGXJSm5JbZOP6iCdroxzgeis+1RDdlplyXWGytfPLqRj9 alS8Wq16ftTZuV1cUoq3pbUO3HB+1R3cJo1GpTdthLt9vyTIlLHKxg/h/at+NDXLObI7ZaRj TNp+ZUuM0oiOnBkO7sbD7j3+1ea7S1FWpbLZaCVDJX2V9aztEBli3+FGb2IbUUE5Hm54z9e1 YVqCU+08zHDeS47t8yu9dsbHY9fBH2wjWitfk7VuOeXcGyNx4AyMEV1l+CS1JtHwq9N2gFJD 1t+bAX3w84t3/wDvXJK5IdkusxfDUuQ+4iMllkZWvccYSPfJHNdzrDZYunLNb7TAa8CDAjNx WGh2Q2hISkfkAKsHR4bc7P2Kv121NQrK8nAzUedcdYOaW0LKTEcDdyuGYkZRP4SoHcr8hkfc ipDV+E1rj1Zur2ptYyWEsiRGgHw22znkjkq5x3UMflUl1HJ+np48vghum4yyMhd3hcs13n2x /SS4r70SFIWhG6Ql0JLihjO8KOCcfi28isLiXpDL0ltyF4zaVB1pxoq2rSVElYORg9jx9azb qey1GfjTITBRbgysOxJwO1HlwFJJ9R681Ckb5WLNejRx4uQpSHGPKkJwCoc+gz+1Uvuiqt+W XiEHKzXsi/pmuTDcFNoUEocOCo42hR8xx9/WsdvLj0h2WFulcpZC2EnHI3/832ArL7TCLlud efUG2j/UQXecAe+PSsIuNpcBKkrQFsvOBaVg5wrkAf4R3zXDCTkyYlqOtIrG7/IhOBJDQRv2 eGpRz4igMD9BWR3JljUdsYcMuMwttfghxR/uUkggYyR3OFDkeao1vUZ+GFl1wPKfWhSfKSQd vcY/z9zWPOXS4W9vZAhFuTIfBZU4Qjavwto5z6Dnt/dUjUt8EZkra2TpZrhBkqtz7RaS0zHZ bWCrKlvbVDCRjJKUnuexV9M1PFr03FZiRoinHPmYjWAwMqUNw/uJ5UrKskk9q156VXKLdHoZ blO+LHSwDDZ/4jigClR543d1kkgZxWy+mmvEsKBGmKiyEyFlTbDKVvpUeFHzcBXbnkVpyHt6 0Y47cY7IA1vd7t0i19Ztb6blphTob/y7zDQwl5s5BbWnsUnPY9u9b/8AQfrfZuueh2b1bFoR LbPhToYVyw6O/wD5T3BrRj4obSiLp2UJSn3HAU+Gvwg2VK3Akq9PftUG9G+tt+6E66tt9ta1 vNZDEmIleETWfxKSsHsfY+hrv6ZmTx5dj5izi6rhRy498F9yO0dKxnpvr+1dUNDWbVdlcUu2 XSOJDW8YUn0UlQ9wQQftWTVfE1JbR5604vT8ilKV9PgpSlAKUpQClKUApSlAKUpQHwjPritJ /jg0bEsGpLbqSG2IwmNlMsNowFuDgLP1xit11K2jtmtKPjB1W1duowgsPh+BCtioUpBTlLck uBwfntA/WoHrTgsR93n2LD0KM5Zq7fGnv9DWd27pYbZI86FkAqSeV5r1lPuwmHUQ2oqd53qk eFvd7fhTkce9U78lKnIzqUIf2ulW0IyrB7cV7XSYuSytoteE6oeZC0gJKsdh9cV50nyelv7f BG8rU0+TcXFS0sulLhSlbCSypI9/L3NfXpEqSy8lSnH48jjxskKSvBwTn2ryi2hp26uTJzqW YjKto8U4JVnsBWVFKb3bX8AJbykBsHzAAd+e1SLaik9HFHubfJGTbsr50rvDv8xKAltKlq3b QO1Xl9xsRQ6lIXFQcrQlO7J/8NVbSgzGWz4KUsMrJVn8Q57/AFq5WODb7g482sBDLgPhOud8 49K3Sa0tGKWvJW2dpq6IiNQsFpTg8VKzjbxnP/ftWF6ssaY96jo+Z8Z+QCWigZASDzz71kdv Yf0xcVMP+LHYlbgyhfIS4CAog+20pP61a7jY22ZDV5jueO2gqZcbwPNzwv8Aatdf2S2a7X6k dtExfBRpix3n4obQ9fHWUs2xh5yCxM2lMiYpG1CUlX4lJSVqAHqBXVzHOa4UWyRLamsy40l2 JdkTI8yG4RjwnUuoUlX54KfsTXdRlSlISVABRSCQPQ+tXPpDXpSX5lI63DV8ZfKLVq6+DTem LvdCQPk4rjwz7hJI/fFamaZvsm72NUt5RVhsOyVJd3KUo8nj7mpp+LW/fyLobf0pUEvT/DhN KP8AzLVn/JJrWXpPqASoAjpW7kpw00wAkq45JOPvUL127+PCv4RL9Ax1Kmyx+dmJ9UViMw+h l19mPICX4zhRhKieShRVx7dqwGz2zEhJdcSFqO5tsoG5WfxNjHHHepD6ty21TYcdLxKVFTpj vqCt+zg8+4JQcfWrHpCzJdmEOIaeWt5KktFWFtHP4vvUBOXGkWqqKSR7eMV2gRm1MuODedyU 7Nm4Yx2/w/8AuP0rF7xp6TKTMYCcltXg4dPk3bdpO/uake/Ro8BlqMBu8ZRC1jvu3fiP1FYw 27HkJdcIdREU4nxVJTuKVeorOEUomTf3aIyutrWiKhaFFpSnENeMobMDHBb/APLk/lWEalab jMbWoTDSlKUzhSjuQv8AFjHrkJ5P+KpMvjgkrDSGtifGDifEcxwElPf7Z/Wo81AwiSHJCV7I ax4ZI53rHpmuij+Y472u0uXSPUq7ndLZDhuFiWpakr2nCVIzwlxPqSVHj3wK3J07JUzBiKbR c5rnmadcCSVI+mB2HH4a0H6IzkwOoRkrQyw0l1HkfCnBx6gbsn78EelbzWO4fy+MJC41vkv7 S4h9aXW29xVxgKUcnbxWzKit7NWNzHWiIPiGkPXRuSJimHHGyHE7170A7hjyq5Bya1/ct5Zk BctnxfD2OAk4UOedoqYPiI1gi7XP5fZH2LPmQhJwD9jUNLfTcm3HAVKdSkNpcUe+OwHtXJVv 9Dslz/K9M2z+CHrDJ0HruBpVy5PnTN5lLYbhyXtzbUlZJT4QPbtz6c10kT+EVw6iS5MdCHYy lNvNABkHuFkglef8JGfyrsJ0A6gHqp0b0fqpStztxgIW6ojGXU5Qs/8AqSqrd0e6Uoyrlzrk pHXceMJxtgtb4f8A2SFSlKshVhSlKAUpSgFKUoBSlKAUpSgPyv0rnR1sbeXrXW8eQ6UvR9QP OLS4nhTa0pKFZ+gwK6MEZrW34uuncBOmZer4kdCbllmNMJztdaBO047bgcc+1V7rdDtxu5f0 vZY+g5McfLSl/VwaVlarXLW+yEKS2M+ZPpjsDVSxETqC5RW2l+ArYpbrDgzhWPxD7g1dIbza 3W23WUqSV9lf3Dt/lVv1NDTp92HKS8UFpwsqdJ4KF8pyfpwK86T29Hp84fb3rwYvdUwJWoZU FqKC1Aj+M66shYKznGB/5askeAqdHblodcSuQrZlOQg5B5/UCr1D8CdqO9vMneyVoacwMc7M n9zVI8PDsiQ0kBDSgNgV6Ann9qknw9EbBrSa9ywP2KU3K8EPBbikBe0p4FV8CH4VkmxXgn5x sh9hSR+Egc/kcVdYzKGNQx853yWjgKOQMcYr7cEBIlLDakK8zayB98Y/Okpvfg+tLyWu5Xxj U0G3FzKHi4wEKx+EqJQ4nH6V7XWIw1LctNtU2+lmOQ6tSdydy0gjA96tGg4sS6agtDbbqFLT cH3PBJ5/pkqAP51nt1hQ7IwhaGwl595x5awORk8J/asbJem9GFce9MwG16aueqOoti0zbYyH 5851mMGkdshaFFR+yQo/Su1oGPTFcnfhEvcK3/FfpqTd5jESMlEohx8hKAssOBOVHtyQPzrr ED+tXboy1Q5fLKN16W74xXsjW349Ys4dGI9yiR3JTFtujL8ttvPlaKVoK1cdgVJ5rTjp5rdN td+VLrilLGI7hVt2D2NdTLzZIWobXMttyjNzLfMaUw/HdTlLiFDCkn7iuMnU0QumvVTVej4j kiLFst1eiRS55iW0nyZUc+mOa4+s4fqSVy8nd0HL7Yyoa/MmbUd7/mW2O6htbiFgofUfIUqz vxxwcJAP2qq0NPcuKXXGmiXlK2qWjGQoHHc/UVh9iEu4abtDssEiWk7QfN5Bjnj1PmP51nHz 8exWSKzADIKhysg7lq5Of3qm6alyXmME9ST8nnqC8thXzHincvJ2qHAUM9zVkjSBdH/lYYS0 M5dBWNqnVDlVW2Q7JuCZEcNpUQFKCcE4yKp7fCft8lMhZU44sANgcDbz3+vFdya1o0Ti1LZi urXn0hxT7ZEdA2LGTxxnj/v1qO7tPa/l25xSleENyGmspCcdicZyc+o/Opp1JLi3C1KdWUoK GlLfdbRkpO7aEpH/AD4HJPFQzdtj1pmGK1/TbYUC66VFRz7ebit9K+4jsriO0ZX8M9piy7kb k82lSi4XP6zYKiQcgKHsa2IvV9eK9imkwWVf1fDaQUo2AkpO3JA+/wBa1l6K31myNSfmUr5b IU40rG0Y9/es+1bruRctC3WercxHZQllDiFAhR7AZ+tMtOUtGzEa7G/gi7U+oHtZavn3AkFv cUMgDuOxUD9Mn9K+xYakJaiNJV4YG0rxknH93HrVHpe0qXFDym1KUrJxk8J9hVbfNRNWJtxh kI+YCDhJ55rU03qETbBaj3yfktWtr27bUs2eCjZJeyFOKPlQjBycehIrp5/Dbvq7v8MkOIoq LdovE+3sqVxlsO70/p4mPyrk9DW5cpJcmOguvEEoRknGecn0FdZv4b8JMT4XLU8lJQZl2ucg oV3T/vTiQD+SBVl6Uuyxx/IqnWrFZVF/DNoaUpVpKaKUpQClKUApSlAKUpQClKUB8rXj4t9U xGItg0s/LS0bwp5RZAypSkI3tn7ZSqpv1Jqu06Tgql3ac1DZSCcrUMqwOcDua5N/Eb1+a6gd dLbqBan0xIlwbEYmUUstRwdhH0JBUT96hupWxdTpT5ZOdJpbyI3SX2xMmZZX80shIU4CFBJG CMY/61U9Wo5ndLL0cLJQwHUuNjkKHav3f98e9SAzkbXVNpA5BRuJBz9QR+lXubFRctF3OOMO HwFAjuPw/wDWvMo/bYpNe56xN7qcE/Y1e6Fatk6eut9RdJan0rCVJQRncdpJNSC4GNQaeiSo 5Vhav6hzjAJqIZUZMW5uMrRtl7UL8vBA28j/ADrMtLXtm2WuRFdK1pdSChJPY+uP2qwWR7n3 pcsrNM3WnW/YutrvDsiZ4qwkLhyfCKirJSlWDmslvl8jaeuJjyXhtmoOxw4wlXcCoLjagkW2 9vnxVBlbpyjJwoZ7n9Kr+qV3dvlmYdbdJ8HDn9Mn3x/rWLpaml8n2WT9rZl/Q3SKW9fy7ys7 0fOvBhPJGFJVz+9S11cQ1bLhEaKihLaVLWgJGCBWJ/DJb37ppqzyW17Vl9wr2k8gI5J/M1kn W5wB8r3obdPkCSrJUCe/auG9917UvYkMePbQmvch7TtwaVrYyVAIbSwoeITwkqOB+frXVv4W euTPWTRLrcgtJvlmKIsxDROFjaCh0AnOFAfqDXHnXi24ml5z6C22JMtqK0snao7QVHB++B+d SN8AXV25aF+JfTzT0t1VsvakWyUl1RCD4mUo3c48qinmrX03ur1JeGVPqyhduOvuXg7Vk8Gu Nnxzaac098U+v1KwpuS5GuDflxkOMJJ++Fbv0rsikgI7jtXOb+JrplprqZpC7EISbpaXYS8I 5UWXFLBJ+zuOfQVM58d0t/BBdLlrIUfkjTSrBt+jdItIkK8X+XNODxCMoUoE5P05x+dZStMm 9KDbKEKfQAnBT5e3pWG2G3m6WvTiI5CixbWGV55AISB6VPNhsiNJaYakrAW44ghIUjKir3+l eZWTW2z1qiG4rfsUFi6WW1m3qEx1Xzik8JChkff6VEWuoc/SN5TAfWpuG8UhhQGSCO4B/t71 66j1pcY96cYYd8R0dwtzkVd9MXVeuYwhXJlue2yclR58Mnjg1ipOPL8GdijJ9qIY1BfvlFlh 5lLbYTvUpwFal8euKwXXEvwrE8Uxyyp1SOAeyT9fQfSpS6kaHVa5smK+042jISF7ew/7NQZq iTLiWCZEmhRcY2LaJUfMCvaPuMVPYy72nErmbuqL2frTjbyHn2mSkLcWlAWk+UDOFfpzUpdQ pzKrFYdMRBtDaQ884gHzpGe/1yf2qN+mQjhi4XKUg4SkAYODnCySnPrkVlUdoKW7erofO+cY UvkAK4/bFL03Zv4MMazthv5LhLuirRaQlpAHlwnceVHngD8jURatvL65ikhpe9Sd6yo9s9h+ VefU7Wb8i3viAt6P4DjYbdbUU7eSO/2JrwscFcyA87IXvISMrUd5UT3rqqoVcVc/c1zyfVl6 S9kX7RkP5U/PSVKWlCS4UHsQOcV26+F/SCNC9AdB2dLAjLatbTrqMcl1weIsn6lSya4xWeAh uC1GYYW8+/tjtBsElTiyEpSB9SRXeCwwf5bZbdEUnaqPGbaKR6bUgf6VKdM1O2c17cFf6xuF dcH78lwpSlWUqwpSlAKUpQClKUApSlAKt9/vsTTVmm3SevwocRpTzq/YAen1quX+E1o18ffW LUeltRMaVjuluwzbb4zjWzh1QcHJI59O30rjyr/p63P38L9Ttw8Z5Vyr9vL/AEIv+Lfr4vXV 7ltwXlMsIUGozalgLbbCcnIB9Vc1pFqNxb7qUuLcUlQISW0goz35zWU6jvT1/uPjLKQ69hRS OASE49axKe254K2VoO0KAU3ng896rENubm3tsuMoqFfpxWkjavTFyd1FobTN8cQXZdxhJDqt 3KXmgG3SoD1JSVfnUiaBdauG6GhRw55HAUnjcO9a7fDa+s2TUFneknbb3W50YYIV/UIQ739C cGpy0/dXLde2PBWlKFq7EcDIx398CqzmVela4Lx5LbizdtabNXddQ3LbrySy8vDkfc0Srjso 4/aqmawVafXI8UDCCkKT6HFZj8TFmNt6oInJaKY82Ol9GMbSrkEEf996jaDp0XK/PTFzJAaU 1kRTw2FgcHH05/WpyhKcE2V3IfZOSRh0ZToDbxWpbiVnJUc55rNrUhE63SXVJU+ytCsMjkpU QOKxLUcN23yn0xU5aGMuDtu9auGmrwqJEmNJWpkpQHQvP4sd8fpXbOPek0RnqqG+7wbO/BhH eTpRtB3j5J2QSFpJPO3AP61Z+r1w+b1SVvIAS0Fko78g/T7V7/BFqI37ROs7k7iMozVtN5yR wgE/b0rGuo9wP80vSmCnKsoJHJOQP+pqCuhrIkmWKmXdjwafBDPViaUWOwwHWQnxXnZoyoY8 3k7fTGasOgLobZrK1LZcbG19Kg8VFJTzzz79sVfOs0d/+YWphpxtwMW9krQoeZBJJP8Akai5 M1VsfbfcJU6lQ2tI5xgjk1ZMePdRqJXMhtX7aO5vwTdWJ3UTQFztNxeXNk6bkNwxMdVuW6hS NyckdyBx+VWH49elD3Uyw6Iciu+G9BuamnQO5YdSAs/lsT+tRr/DJ11Hj6F6lC4vNJat0iNc FvpGCptbKiRj127Mfc1++qfUgXqc/f7l461Tnkx4zLpKUQ293lAx/cf15rZlZUacJQk9yfBx YOJK7qDcVpR5LdpjSNttdwWwG0MWa0oSM5xvXjGMjvjFWjXus3p1zdhtyNsTw/6PhDyjAAPJ 9fvWdXy7xrJpyz2ZiOoOyWVK8N0f1FOBAKiftmoZvyN8GQwXUhvb4ziF9k+4JHavOtt8M9Og 16e/cifWkiFcll5hxaHI60peUcpXz/fxWY9NLpAszbSY0tW0HzYWMq+vNYsu2Rp98tz78P5p iSXEhLKinw9g43/51frHrho3KVGXZIi2YifAkOx08t8fiV+XrXbNJ1qMfY01Nd+2yW9R2Bnq VYww4ouyEAbVJUAVnFardSelk6bpefh1QkWxzxU+EjdvSCPKrjgYUT+VbL2uS3boTV0YkIfQ t5tCPBOdmRnBHtVD1KltXuO3Ks7qW5iZK7NNW60lK1rJICQPoSOfY0xrZ0y2jXlVQvTizTqw u/JafhxkoWlBypXGQVBPofuTXvetVKhRgpTKXzuCENKOck8dqlPq/wBKJGlNOxbkz40aZILj b0daMIUtHB8P8+4rXmI+9fbxEacTu2K3kAY57ftVkocclOXwVO5yxn2Fb1IhOyNPWsZy65KQ VpSkJBGFYB/SslsFsaYtPiukOBaQVtgEcDviqXV0QXSTBioVuSHAchWPwpI/1q8zo6YMRqMl tQdCAnCjwR+VfbbHKpRMKYan3fJdNHXFVhuS9SP5IsrX83S0gggONkFpJ3HGAoJJ+ma68/Db 8TmkPiT0NbbxYbgyLwqIh642ZR2vw3CBvBSe6QrsoZBBHNcY9W3CLauluoH5G5mTPlx7fHWh O7JAKlDnjGB61Yvht65XjoX1V07qCzyvCahupalsHJS+wpWHEEDuMEH/AMvFSnTd1xlY/cje qfxpKPvFH9DIOa+1T2+YzcYMeXHX4keQ2l5tf/MlQBB/Q1UVZPPJVBSlKAUpSgFKUoBSlKA/ LikoQpSiAkDJJ7AVzK+NPqOjWfUtyQPDVaLeFWtlxAyUrQs5JPsrf+1b7dd7u7ZOlGoZLKlN u+ClsLT6blgf5GuUerLmJF9mulJdgSFK+ZjKGVNrKgAoe57mqp1jI7pxxl+rLl0HEjKE8qXl cIwa46bTLeWW8O7gMIVwE/Y17RNFLkqbRnOBkhSuMfb9PWr/ABralsBCFpkNk5Q6nkFH3+na sntVqS+lIeaSpC+EFDgUKge9+NlkdUE9ssXTu3uWPqBCiuPeGm4MqhuEN4B3JVtGfXzbT+VS cwtaJkKQQpKFuZKc4JOc/p3rAtWTGbI9BlowVQ32143jIAWM8e+Kzq+I8GMl1lQKG3ioEK52 nkfsRWjKi5NSflnRgzX3L4MW+KVhci0WW7+EhaUHb5UE9yBya15/nUsTTEiupDys7AlXmP5e 1bX9SQ3cenTYKQ8qIUyMFO48emPzrVy/wbVcLxGu7LXhTWE7U+GsJSv15GM+tSGA++GpexE9 RUq57XuUF9vcaA18qAp51CCpx0dirH781bXWWZltjKRISh8NgqCT3ODxXzUklLrZjtIQVYwC Bzt98/nWLOyVR4+5RUNpA8p57gdqnoVbXHkgpz+Tdf4QLemydDrm682gKkSHniCnG4bQn/NJ qP8AU6BMXdl7khK1AhQ/txgYHvUk9E2pOn+hVsjSkJbkGKtZbOQolRKgD+RFRYpxcpUooAVh 0bkZ/CSrNVi37rpN/JcKq3GmK9kiP+pbKJd9mtho+K3EjspSDySlJyf3qKpMVERhwKBTgq5I zj6VIGuL2FavvCgohaXdoGO2ABWEyYypq0hAUsKUQpWM/i+lT+O3CvnwVvJanJ6NqfhGuV4l wtQMwHVMWa6w48OaED/ioaVkoSfQnPJ+lbHyrpYNPaksS9Rsx7j8sVFhh11HhFZPC1Jwdyhk cmot+He0wdHdLLehpxDj2FuvJIzySTzio664a9UHrpBjIzIt0ltZWO43tpUsD2weKrtqlkXv tfBPwcMamO1yzYmDqlzXvhXZplc4xTOZBbIKgtcjYgA/Ztf6VRah0zPtcdcW4RkwvFIUBkLy PdR4/So2+FbXCZug5KWipiS5c1JJdVlKSjLv7l41Nd3vuoHrUHr5Atzam2lIXJckBKHfbyKO fzqMvpcbeyK5RMYs06lLfBrHrWNeLXqSySrctuLBXMQ28lKtwXuGwqOOBzj8qkHQOg1v6hvN yu82PaLa5KBCXkp2rBAG5RKgMcdqinqZOejNR5MiYwtKpAKFwnt0dCkuBRQcE87fT6GvezTV 9SupbVt1A6ZdiiJBYiRXcNqUACpxzOQUjIqTVM3BN+Fvf/wjfWirn2kwa00Dc9IRHJ2nLo3e mpklt1VuYcSkPMAkrUg5xntwKwV26TNW3We0wiShRck3VCFpwttQQ0oKPP4goFNSfE0qzpzR G2HKeehpc3RBJWHC37bCOyahFvXbvTzqHE+ZPjvTGZEJRHAAyFFQ5+uK5af4i7EuUbrm60pt mf8AUjULXUrTKrqxexJZYZakNM5Kw04WkhZzx3V9PWtafk2bfc5cxADRcO5oJH4QfxCp+0FJ tGrU6qgWSOI8VmSB8m8QHC2obkhI9cEEn24qC9aRnbe7OQgllbRGW3Mgp82O1d+JHsscSKy/ vgrCnjJamXuEocoQneUn3JrJLqfHuz4SApSOCCMhPt69sirJo6P86A8vAWRtQr3xzWQJSh+8 TdhH4QSs+pyrj966LpJNr4RqojtJsjfr3cHoej9I20KOZD8ictvb5AQSgH/OorsKZD0lSwg7 lKCQMZ78f61J3xGNOOah05AQkONRbWkkpPcrJJqj0hYEW6OiRJB2sHylQHmV/wDQJP5VOV2R qxEQV0HZkz148Hf7opcGLr0d0PLjOh9l2yQilYOc/wBBAOfqDkH6is0rT/8AhpdTpGuOitxs j58VGm5iYrD2Ty2tG7bz6hQV+orcCpymffXGRWrYOubixSlK3mkUpSgFKUoBSlKAxnqRpEa5 0NebHu2LmMFKFHsFghST/wCoCuSWudMuWK/TI53x7iy8pt9Dg5S6ngpI/PI+1dkldq0I+NnQ kGB1aYu0JAS5OtfjzYwAAdO9SfFHuoJTziq11mhdiyI+Vx+xbfw/kuNssZviXP7o1ThMplxx KjNBtseWQ0PxNK7HA/5D3zWULVFt9qWpK3FpQOfCJBbPofr29PerHeYVy0vHTNiuYCvMnYnI SO4BPrn1Br4q9WzVNlRIdbTCUoFD6WnikJX/AMyfbPt2qtVas0y3ZEXBckUa21VIueYvjApB yfFR5zg8E+tTtCuCLpoS0yQ8pfjwWFLUlXcpTsPH3RWuurbDBF2VIRIedeQSpJScoX6AqPv9 KmTpbLMrpjYTuSVNOSWFp9AlLhI/+VdeZD+FCRHYU2rZwMqvGpRCsLcNazsdIUVIOSc/24/K tctesJs2rJa44bEZ3+u20pvlG7un7VOlwgLuAiENKWlKyc9wrAzioF1+mYu8B+S2WkrCgAoc 4HavnT0lLRt6puSTMYclKkb1qRtOD5h6U0tbkXbUtlYfbCoy5rfiEjIUAoEg/v8ArVG9OayE BRO4cIA5FXfS8gxrzCU2U7kyG8c9vMKsNknCD18FbilJr9TcB+7OfLSbftUoFn+ltV5UgfT3 7VF7ClwbbcWhGAJfytwJAV24qWLHppc6PHmbiNyOxP4wQMYqO9WWN6HPmJWpbeQVtoSc5OOx FUuFm3z7l6a4T/I151RJS1qO6tbfFX8woFQ/aq3S1llyrpGCWSloqSVbxwRmv3IU051bdtCU mS86tKPDCcqcfUPKke+TitzbD8GFz0H0z1B1D6pFVst1sty34mn4rx8dyUrCWlOkcJG8jyg5 qzONjp1Fca2U1zrruak/fRSRrvF0zod5Ua2lpHypdQtw7Qpe0KweOOR+1au9RJvyOojInv70 SWkLfIX59qk5z9fMf0FbP3wou+mYTDrrTqUoCnGyvCUpxzz+351pl1a1C3PutyWktuRm1mOh Tac4bHCR+5qL6fW5Wkn1C3tr2SR0X1ajprZtausr+behhM1lpAKgsrQpKSn6kpH6VHvUjrDd usVolP3bUKIsuG4Frt3ypbK2gBz4oVk5JwBtr06X3SUbNqokoWpmBHdT25Da1YH5hahWHztH vzIUG7rjIc8VJW82tByCcqSQr7EfQVP1V1K6U5+SFvtulTGNb4JA0FdrbK6TzWd7Tb0mdFSx E5UApIIcUEn1Ke9Z1ov5ezNakajPoiOSLIUNyF8EZdTvwfsR+lRd060w6m6woLjOwsBcnaEn jcnG7t25/asw6o6fkQ9PqnR23A3FU60482SAltYHf6ZA/Wo+9Qnd6cX5ZJ0930/e/ZGJab6y ai0dDuzcOW3ddLCStKYDlxw4yR/c3nkDnsKunU66xby3YZ6VPeFtef2uLwpKAE5BP3qItIad fdjzX3Ek7U7ktZJ3HPNZb1qmONaa0660kNsyW3EAo4ykFJIP5n9qlZ01evGMFyQ1WTbKmcpv gkXoVPVHecua1lsy31rS60ohSeeAD64FVHUAJm3e5SpswuB9wrC1EHwk58uSP9ferD0TltmL b2HUqcQPB2AK24Kmzu/erpr6Ky05LiOq+XLqVeUDkgA43H1GcVDTglksmqrO/FTLnpJZciRl oQ2jAA5Ix37j/v1r3hJU3eZ6Mhe57KtqO3f19qpdHIQuyx30Lx5BuTtBI2gA/vWQSbU6zcGi 224Uvt+JuTgFWfcVw2v7pJnZRFuMGzAuoEZmTqyM48hO9EJpAOSRjmrRfJQCW4qDgp3FQ7AF XGfrxmqPqhqIW7W0mMyrc7HZZaCT2C9uTn/1VLXwXdKbT1k65WK1aimIa0/EKp89b7uwP+GA oMAn/mVtB/w7sVKVUS9OKk/JC33L1JqPsdJ/4cnS2b05+HGJKucRcS46iluXYpcTtX4KwAzk emUjcPoqtp6obdLhOR224DsZbCEhKER1pKUpA4AA7DFVm4+1WytKMVFexUbJOcnJ+5+qV8HI r7Ww1nzd9DXzdxnBrmZ1s6ma20T1S1HKeulzhBuUoshuatClNqIwEjOAABWJ274v9cuqA/2l vvvgvrIH0zUDLqsYea2WOHRZzj3RsR1gCs183D61zMh/Fxq9ayDqa4N4Gf60jP5V6u/FDrGc sBrVtyQVDkNunH5HNaf8br/yM2f4FP8A1V/s/wDo6Xg5pn6GuXE/rJqu9PqbGp70VjhS13Bw Dn6A1a3erF6DxYj3e8zGWj/UdEtw7levrWtddh/pv+/2Nq/D1j82L+/3OrK3EoSVLISkdyo4 AqMusuh9H9R7O21eLrFtU+P54dzQ+2l1hQ54Ku6fcVzcvWv72mM+pN2uxbUnP9Ra1Z5HH4qj XU/VK4zSiK3Ic2BOHypR4T6+/pWNnU4ZMHW6+GZx6R9PNTjdyvj+2TBfhbp91u2j3ZyXblBf cBZjnd4yEqILrZxhQJOcfWoZ11o92A1iMoiN3weFZxzkfnX6vOq4bvTPTl4ekly8M+K24Gkl StgVhCCtJBBA5571aYfWu66whm1nSr8t9KD4U9bx3bMY8xKcY4qBjjzjNyrX7FjnkQ7VCzl/ JEF5lmwXX5czFrC0qWUBXAGD6fnU7dB7xEuWirlb0ykuOw5nzHhj8QQsAlX2BGPzrXi8aYe1 RcJUqfchb5zLhQmMG9wGCfXIqROgFpnW3WqHFvIWidCfihlCseIoAKRn8wanMqFcsbTepIgc a6UcvfszaibNbYt0N1KW294AAJ7+la8fEFbpZLE1ptbLDKylxQ7cjg1PGodPS3LTAbkyNimw CPBGc+pB+1Y91K0nI1B0puzOxbr8doublIwcAEg/bj96gMW707F+pZMyHr0vXk0mjvPSpCUh RVk9/UVmFjiK/mtvaQ2dy5LSUnufxA/6VbrTaxAI8RTJfxu2NuJURn0xWc9NoK7lr2yJA35e OWk85wMj/Orfky+yTXwUuiLhYo79za633SRp2zx2HHPE2Njw2wk7gQcfp2rGdWJkOXuRKwl9 xUbclG/Gzjk4x9az7U9gaSYgMlEYIRtUVHlKj6Z9f/urRerMH7bLebWh1eEpwlQ3E8c++KpE dNx0X71NRf5Ggtn1bMZ6qxdSOx3ZC4d4ZnFpC/DKw08lRSD6ZCSK6dda/jvsXXzodqGwW7T9 wsc93wVrTKeQtBQlYUAVJ7EkDiuc7rDDc2UoMoQsvuFRIwQSo9ves90k+wiwzUAJ3IdaJKuV EHgZz3ANW+/Il6XbXwij1Y0ZX91j2zPLle3zpx1hElaYqo5U4SANh74+2a1ku8taGpqAACkJ 3EHhSiecfrWwa4ynNPSoqMvnwz4hUMbt2TWvEmA1IvzbDryy0lYdecQ2SEITjdx6/wD+Vy9O 1HbOrqCfz5Jr6aaNkROjl2vLLKlvz1ohFKxwEBKdqx9ys/pUl6z0TFtcFuM0tDKm9sNG8gBS AySrb754qROk1oZs/RK1ypja1t3cuPsxXGgkBlSsN8q/wBJB+tY91SQ9enUNFDfhRXlqaPlA dUooA2nPoDUFLJnO+Wn7kxClV1xT+C1T7fC05ZGrjZohjy7zbWCpxaN4jJQChSE+wOM8156T t8G82eda7gp5bU+MEPLUAW+Oc4/IfpVdeLhJX01trsWUltmM2uNJUvH9TKjsGc5/ao96b6jk vX2LFSoFleQsoUTlAPb9K2uE57ewrYwaj7Fl1ToiDYep1/tMJeYygHIqRyFf0W1ED881C3WO 5tyLLpa3oXhceIt5TZOdpUsjH/trYHUrrE/q5KuDCkttIlpQEZ52YCSfsQmtTNbMuN6surDq lq8KU40ncCClIUcDB+9WTp8ZWTUpPlIrfUZKqDjFcMknpJfltyIYTySgBCc9lA7QazXqXdVm 6bkubnGo5bcSR+FRUO5/I1FXSp5SZsUjKgFJbAT6kq3YqQdVxyu+uNKZJCYyivB3b/OMf5fv WrJhGN7ZsxZv6dJGbWRtS4MFERJBmhalBIyQkH0/apDVZ31vQXHDIKGWEjBT+E+ucVjNnm2+ 2NsOMpL01CQgeAfK0nAJ9+c1nVovSb3GkxlvqjrLeW3SvgK+vaqrfKfftL3LVQlCrl8pcGn+ odNzr91I1AtfjPH55zHhNKUNgUQD29ABWWRr5N0o0mBbI06OgkF18R1+c+34fvXWX4Wvhn0B I6aW3VVmisx7pemyq5vhXzKnHEqII3KJ2/hBIHvU9M9ENKoSN8Bt1XqpTKOfy21eoUfUVxcv GkUJ5aptnpe7OJum+st1tCm0l5xl4Y/qBt1KiR29h2qQrL8SGsbE6iVF1PMhuE5SUyVpx+pr runono1Ix/I4hOc5Mdon901+Huh2iJB/rWCA79FRmiP/AI1pl0zufcptM2x6mktSgmc1NMfH n1RsaFJOoU3XOMCZ4bqhyfU1IVl/iM64fgJM2HAMhJKSUtAZ/RVbyO/D503kAeNouzOqH96o aM/rirU78LHSxbilI0bbmtxyQ23tBPviviw8mPCsDzcaXLqRcOo/QnTfUpC/5jDYcUsYUHGg oK/PvUI3f4D9Ovkpj2+P4RGP6MhbZH71ttSpiVNc/wCZERC+2tajI0re/h6WlaFBp6SxuOfL JBx+oryR/D0YbKf/ANtMCR6IfSD/AJVuzXzFavpKP8p0fX5T/wDIzTZv4ALejeW505BX+ImY CT+1ejH8Pq2BIR/Obgy2OdqZpwT9fLW4uB7V9rH6LH/yf8mKzchf1moiv4elgfZ8J6/XINnu BKUf8xVimfwxdIOx3UM3m5IeUc+J8wSf3Fbr4HtX2tkcamPiJ8eZfLzL/wBI5w6n/hpTtK2y 4v2jVU6ehxpW23yGkKaW56cg5Fay61fi9P8AU1jsEKOyyl+AmK84U8pc3Kys8/Q9vau2ziAt BSoZSRgj3Fc5/iU+DPW9z1dEmaMftfgNvrkOfNJUHBnfsSFDgDzVFZmD6kk4EjhZ7qUlY9/7 Ghdz6fXJV4iTHn2IViuUxyEJ7yvIw8ElQQ6f7CQM/avz0XnoldXNLFM0fKx31+MrOMIKFZUk eowO9S2//Dh6z6hRIZuN1tMKLIe8d2OuQtbanQSA5tAxuwpXPtxWeaW+DWR8MCbnr3Vc9rUM pEJUKJDjxy20hxWPOT64SD2pbQ6cdt+dGVOX6uRFLwW669WLFLUtkSnozcb+klpKMrKeAD9e +atF6+IC2Maf+TgB+6B9rwvEkNYT3xg/THf715w2ICdL6ivUFlkzJc9QcW5yiMjw0Y574JOP vWAaMX4ljmQJDaFMJkymAyeVFQ5SAR3OFoIx7iqrXRBqUteC3Stl9sO7hlqsfwm6z6zakus/ Q1rgIt7QQ683KmhhbSljkI3HzJyPTtmsrsvRfWXw16ock3c2y9XtlpAYjwlreajOuAhQUVJT laU88ZHapi+GHrrcdC62szT9rblNW8GM/wCNlC1IUnJSCDjd5QRuB7Gsb6n9Tblri+XuY4yI Spkl+Q0weVupJJC0+45AyMdqmLcpyojDXL/4ISrGisqUm+F/yWh3rNebvAUuRYnJbjJKXnk4 8MYPcDFVXTTV981TqRaYzJbtjag3IRtCiNxAOfbjOKtug4F2hWVy7OwHnm0qXGlQihSSVbB2 B+/evLpM5c9BXuE81FLCJU/Y+l4kqKnc7U4/8KT9ahZQWpdkeUTcLNT+98M8rx8GHUzVc6Ve 9Ii0P2GfJefiB1/a82jeRsIKccY96p4Xwu9QulFukztbRo0O13N9iE3JalB7D2VKG4enp+td SvhVSzP6aPW2ZAbS5aJ78VK9pHiIVhxKiDyD58flUl636aWPXukLnp25Q21QpzJaJ2AltX9q 057KScEfarlVT6uIvloplmR6WW2/CZxXuzi7bCZZmOKW4taUHwjnA57g4q9dB+hUjqK1fNXz Z1tgaUsly/k8iKWVGRKc8Hx9qVAEBO5ac5OeKk/4ifhr1N0uuq2J7DtyihJciXZhvDbwSPwk DkL75B9qtVhsc1v4centnt0hxhy76xuMq5ORklWFFaG2ysjgYQkd/aoOuE1XKDWpk5dOucoW r+Vlu6lfzTTmjmLgnVLrVwuWwxrVEGUR2gpKWkJSQQkbVDt7V915fhOYW9vceQicI4RtCVqK QASABwPJz9TWJ9WbTLvfUT/Z6FdYa2BJcajMsuJD2WShJOc/3BXt6VU64kq0zObhQJCppjx3 VuKdwS44vb4igfYnIBqOrxpRSU192yQsyoybafGi36muMf8A2KlQlbFPQz44U6D5Ce/3P0xU R6C1q0/qMxnpwDzjam21bsBCicc+1X25OO6pYkwpRU4+8oOF1JIU4oc7c/QDtWLQNFxtO3BM yYxJt7rTiloQ76nJxzjB8wxVgrx16b7kV63KbnwzN7uP5VcWhvLiFpAMg4KcjHqe/Y1tTp/4 B+iWtfhd/wDzPqa66ktdzessi8XNxqe0lpEhKVbkBBQQPOkAJ3c8D1rRVzVUiZemRIbLrBWp 1CCnAwcjGPoalPq/14VN+FTSnSC1zJiJLt9enzGmwUsvRNoU0hRz5v6ilEj/AAiuzFj6M+fD OXJl9RXw/BEXRWCQ8JaAnc3lbZHKinABBHqecVfrxMEq+tBQCCHQ0BkjahSwSCe/pVRoy0O2 rT3yqWE7ThRWg4Uk9yc/99qtsK2qlXRDrylFtIW9uCd52j145rksXqWykjthL06YqS4PS5Pf y+0z7g1LdFwb3K/orw2MrOAPyrKW4GdBKnQZsn59HhrdiLeOXgrbkD6DJqOnPDuTzsdi4Mgr KG/lF8FfqThQGTWc6I/lC7lGhzruCuQ08tUVoKJZUgp2cAZyVcc1otplKPjZ01ZMN8s38/h2 dWXrG9E0Y+8tUO5lx5cZw8RH/wC3Z9FYwR710LQ4lWACCe3BrjDY7Hq/SmoLDqa02+9P+BIQ 44IsNQWpBVnsSMgf610gs+q7s+ptWXW1rAUppYIKc8889+akenTsUOyz5IjqMK3Z31v2NgCa +1iml5UyRs8UEZHmP0rK6miFFKUoBSlKAUpSgFKUoBSlKAV+HGUOpKVpCwe4UMiv3SgKYW6K M/7u1yMEbBzUHfFno6bfemq27HaoU+ehRKGZTnhIOUFOSQO4zU9VTTbezcI6mH0BxtXcGtdk FZHtkZRlKt90PJy8uPRm96U6SoEGxNT9SAtZgR1JdbdWhxCjuUcA5AIrFrj0t1Fc5lwmWLpX eLQJ94YuUNl91oJiM4/qIV2IJITjHokZzXTmZ0jtcpxagVoClbtoWcZ+1fWelMFrBLqlnure Sc/vUbDp9cd7R32Z10tc+DRR74PtS63ktToWqo/T5x9hpMmKqGJTzq2lEoWV5RtV5lDjOQat WpOjuu7ZdzJa0ZBud1gz/HZffdS3ElNhsJCCkEqRlXmxmuisHQcCENqUjYfQDaR9sVVvaQtk hRLkcKz6H0/atrwq2kmvBgsyze9nOfpDoXqhbI12i62sdpdekzDKCmZgUlnJ4QAE8gVebh8H qdV61iagk64udseZf+abt8BhCWG1pThKgVEZVz7cVvx/sHZwcpjbfoFV7taPtbOClg5Hus18 hg1Qk5JeT7PNtnHtbMH6NaciaB0+bZEfmXBTznjyJc1YU66sgAkkE+wqUgciqSNao0Q5baAP vVZXbCCgu1eDilJzfc/JqN/EdnXGxdONJ3qC4ptqHegl9W4hCQtpQBX6Y4xz717/AAK2Gxak 6I3W2zIbD78LUU0OtqSNzZUUrSfcAhQIrYbql00svV3Qt20rqCOJFtuDJbVx5m1Y8q0/UHkV BvRX4VNQ9FbVNiRtUouj0mQl5craWlubUJQN47E4SPzrkdGsj1kt7WjrV26FVvWnshr41tLd NekepdNs2PStnja2u7Mqc1cXYyfGZDKUgFCyOCSs9/aufjupJF8kznUSAHmnkMrd5UAjklIx /irrN8QXwaRPiRjW+Vf7nIt+pLS2pu33OM7wEqwSlaeyh5fatWLv/C01lpuG8LHqWLeHVKDh alMllKiOMgpBrVdiuVneba8hKHa2aap1HMh2hTjU5uG7GedcLRZzvbJI3ZzxxmsZvurJN03s OT4SX2048UN7xnnsCT6nNTrrT+H311tCmlR9NxZyGspDTNzTjGTwd2PfsajJj4J+t/zamV6M ERZVnfImtBI/ft/0rfGrS0zlnLb4ZH11fU1cUFi4/NtQYpLkh1rYCtRycYzz6VTJvqrkNPB5 IS420skhGcEqOP2rafpl/Do1HcLjGc17cobVrL2X7dbVuF1xJHHnAA/b1raXQ38OTp1HSXYe jH5iTwFT5bpx/wC4Vk601r3PkLZRZpT08jqukOCzb2zOlvq8NuOgZU4Txggdga2++GL4a5Ok X5F3uUBuRqWf5G20Nb0RmSclGOw9O9bBdNvgt07oW4fN26zwrUo8bkrUtQ/8OScVsVp7Sdt0 yzthR0ocKcLdOSpVc1WH2z7n4O6/M9StVxIMhfCjYZT7M2bp6yGejkPOQGlLB9wrGQavjfw1 2hu4maLfa0yyAPmExG/EwCTjOM9zn8qnClSKrSI3vetEZQ+jjKFFb8kOKPcqG7t7Z7Vldp0R brUolLYcJJUcjAzx/wBKyKlZdqMD8IaS2MISEj6Cv3SlZAUpSgFKUoBSlKAUpSgFKUoBSlKA UpSgFKUoBSlKAUpSgFKUoBXzGKUoBgUxSlAfHG0Op2rSlafZQyKo3bJb3iCuEwrHbLYpSsWg flqx29tWUw2QUnIwntiq8AAYA4pSvqSAAxX2lK+gUpSgFKUoBSlKAUpSgP/Z)
Ранее это утверждение легко принималось на веру проводниками и инструкторами-кинологами. В нашем первом буклете,Read Any Trailing or Tracking Dog by Understanding Negative Indications (1999),мы дали возможность многочисленным кинологам научиться четко определять, когда собака идет по следу. Статья, которая вошла в содержание этой книги, мгновенно дала кинологам возможность «читать» собаку во время ее работы. Собаки, специально натасканные на поиск наркотиков, или другие, так называемые, собаки-детекторы учатся подавать одинаковые знаки и сигналы при локализации источника искомого запаха. Эти знаки и индикации позволяют кинологу составить мнение относительно действий собаки. Одной из проблем, связанных со следовыми или розыскными собаками, является вопрос согласованности. Несоответствие между различными собаками ограничивает инструкторов в их возможности единовременно обучать кинологов. Использование на практике метода тренировок, описанного в этой книге, создаст ту необходимую согласованность, которой до этого не хватало. До появления метода тренировок Кохера некоторые собаки, сталкиваясь со схожими обстоятельствами, реагировали по-разному. Это приводило к тому, что многие проводники собак не могли понять и интерпретировать реакции своих собак. И, поскольку необходимая оценка событий не могла быть сформирована, полезная информация не поступала с проходимого собакой следа.
Как и наша предыдущая публикация, представившая простое объяснение движениям собаки, идущей по следу,Метод Кохераобеспечит простое разъяснение техники тренинга. И в этом методе нет ничего непреодолимо сложного. Кое-что из этого процесса дублирует знания, которые вы могли уже получить от любого уважаемого инструктора. Но все-таки этот метод принадлежит нам, задуман, развит и передан всем для обучения.