Методологические аспекты прогнозирования урожайности озимой ржи на землях, выбывших из сельскохозяйственного оборота

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Исследования проводили с целью сравнения пригодности двух математических методов для процедуры прогнозирования урожайности озимой ржи в пределах заброшенных земель. Обучающим множеством для настройки прогностических моделей (регрессионного и нейросетевого анализа) послужили результаты длительного мониторинга урожайности озимой ржи на агроэкологической трансекте, заложенной в пределах конечно-моренного холма вблизи г. Тверь. Уравнения регрессии и перцептроны, полученные для разных климатических обстановок, описывающие зависимость урожайности ржи от ландшафтных условий, были применены для прогнозирования ее продуктивности в условиях заброшенных земель, расположенных в том же регионе. Разработанные прогнозы на основе регрессионных и нейросетевых моделей различаются только в деталях. Карты прогнозной урожайности озимой ржи, созданные на основе различных математических подходов, свидетельствуют о пригодности изучаемой территории для выращивания этой культуры, прогнозная средневзвешенная урожайность которой в ее пределах варьирует от 1,52 до 2,61 т/га. Оптимальное местоположение для размещения посевов ржи на основании карты, созданной по результатам прогнозирования, – ландшафт моренно-ледниковой равнины, а ареалы, неблагоприятные для выращивания этой культуры, располагаются в пределах зандровой равнины и долины р. Волга. Для целей адаптивно-ландшафтного земледелия Нечерноземья необходимо рекомендовать совместное использование регрессионного и нейросетевого анализа для получения наиболее достоверных и информативных прогнозов. Создание карт прогнозной урожайности озимой ржи в пределах заброшенного участка на основе архивных данных имеет не только методологический, но и прикладной смысл, так как эта процедура позволяет оценить его пригодность к выращиванию культуры и тем самым ответить на вопрос о целесообразности проведения дорогостоящих экспедиционных исследований.

Об авторах

Д. А. Иванов

Федеральный исследовательский центр «Почвенный институт им. В. В. Докучаева»

Email: 2016vniimz-noo@list.ru
119017, Москва, Пыжевский пер., 7, стр. 2

С. В. Архипов

Федеральный исследовательский центр «Почвенный институт им. В. В. Докучаева»

119017, Москва, Пыжевский пер., 7, стр. 2

О. Н. Анциферова

Федеральный исследовательский центр «Почвенный институт им. В. В. Докучаева»

119017, Москва, Пыжевский пер., 7, стр. 2

К. С. Курпас

Федеральный исследовательский центр «Почвенный институт им. В. В. Докучаева»

119017, Москва, Пыжевский пер., 7, стр. 2

Список литературы

  1. Динамика сельскохозяйственных земель России в XX веке и постагрогенное восстановление растительности и почв / Д. И. Люри, С. В. Горячкин, Н. А. Караваева и др. М.: ГЕОС, 2010. 415 с. ISBN 978-5-89118-500-5.
  2. Сысуев В. В., Матасов В. М., Бричева С. С. Геофизический подход к установлению ландшафтных границ // Вестник Воронежского государственного университета. Серия: География. Геоэкология. 2024. № 1. С. 34–48. doi: 10.17308/geo/1609-0683/2024/1/34-48.
  3. Детерминанты пространственного распределения заброшенных сельскохозяйственных земель в европейской части России / А. В. Прищепов, Д. Мюллер, М. Ю. Дубинин и др. // Пространственная экономика. 2013. № 3. С. 30–62.
  4. Щерба В. Н., Долматова О. Н. Оценка состояния и перспективы развития системы землепользования южной лесостепи Омской области // Московский экономический журнал. 2022. № 5. С. 107–122. doi: 10.55186/2413046X_2022_7_5_323.
  5. Methodological evolution of potato yield prediction: a comprehensive review / Y. Lin, S. Li, S. Duan, et al // Frontiers in Plant Science. 2023. No. 14. P. 1214006. URL: https://www.frontiersin.org/journals/plant-science/articles/10.3389/fpls.2023.1214006/full (дата обращения: 21.01.2025). doi: 10.3389/fpls.2023.1214006.
  6. Бисчоков Р. М., Ахматов М. М. Анализ и прогноз урожайности сельскохозяйственных культур методами нечеткой логики // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2021. № 168. С. 274–287. URL: https://www.elibrary.ru/item.asp?id=45849137 (дата обращения: 21.01.2025). doi: 10.21515/1990-4665-168-020.
  7. Бисчоков Р. М. Анализ, моделирование и прогноз урожайности сельскохозяйственных культур средствами искусственных нейронных сетей // Вестник Российского университета дружбы народов. Серия: Агрономия и животноводство. 2022. Т. 17. № 2. C. 146–157. doi: 10.22363/2312-797X 2022-17-2-146-157.
  8. Лебедева В. М., Найдина Т. А. Учет осенне-зимнего увлажнения почвы в динамико-статистической модели прогноза урожайности озимых культур // Гидрометеорологические исследования и прогнозы. 2022. № 4 (386). С. 79–95. doi: 10.37162/2618-9631-2022-4-79-95.
  9. Андрющенко С. А. Тенденции и условия повышения экологической устойчивости АПК Российской Федерации // Международный сельскохозяйственный журнал. 2023. № 2(392). С. 143–146. doi: 10.55186/25876740_2023_66_2_143.
  10. Шалов Т. Б., Азубеков Л. Х. Адаптивно-ландшафтные системы земледелия в схеме землеустройства территории сельского поселения // Земледелие. 2013. № 6. С. 28–29.
  11. Principles and applications of topography in precision agriculture / A. H. Rabia, J. Neupane, Z. Lin, et al. // Advances in Agronomy. 2022. Vol. 171. P. 143–189. doi: 10.1016/bs.agron.2021.08.005.
  12. Иванов Д. А., Карасева О. В., Рублюк М. В. Изучение динамики продуктивности трав на основе данных многолетнего мониторинга // Аграрная наука Евро-Северо-Востока. 2021. № 22(1). С. 76–84. doi: 10.30766/2072-9081.2021.22.1.76-84.
  13. Средостабилизирующая роль многолетних трав в условиях современных вызовов экологического и климатического характера / А. И. Белолюбцев, А. Н. Куприянов, И. А. Кузнецов и др. // АгроЭкоИнфо. 2023. № 1(55). URL: http://agroecoinfo.ru/STATYI/2023/1/st_127.pdf (дата обращения: 21.01.2025).
  14. The application of the soil-agroclimatic index for assessing the agronomic poten-tial of arable lands in the forest-steppe zone of Russia / D. S. Bulgakov, D. I. Rukhovich, E. A. Shishkonakova, et al. // Eurasian Soil Science. 2018. Vol. 51 (4). Р. 448–459. doi: 10.1134/S1064229318040038.
  15. Шашко Д. И. Розов Н. Н. Внутриобластное природно-сельскохозяйственное районирования как форма учета биоклиматического потенциала // Земледелие. 1989. № 3. С. 18–22.
  16. Беручашвили Н. Л. Геофизика ландшафта. М.: Высшая школа, 1990. 287 с.
  17. Иванов Д. А. Влияние почв и рельефа на продуктивность разновозрастных травостоев // Международный сельскохозяйственный журнал. 2021. № 4(382). С. 73–76. doi: 10.24412/2587-6740-2021-4-73-76.
  18. Рублюк М. В., Иванов Д. А., Карасева О. В. Влияние осушаемых агроландшафтов на свойства почвы и элементы структуры урожая озимой ржи // Плодородие. 2023. № 1 (130). С. 72–76. doi: 10.25680/S19948603.2023.130.17.
  19. Сысуев В. А., Кедрова Л. И., Уткина Е. И. Значение озимой ржи для сохранения природного агроэкологического баланса и здоровья человека (обзор) // Теоретическая и прикладная экология. 2020. № 1. С. 14–20. doi: 10.25750/1995-4301-2020-1-014-020.
  20. Минаев П. А. Анализ неиспользуемых земель сельскохозяйственного назначения России // Наука без границ. 2021. № 9(61). С. 26–32.
  21. Плохинский Н. А. Биометрия. М.: МГУ, 1970. 367 с.
  22. Learn R Programming. Neuralnet: Training of neural networks. URL: https://www.rdocumentation.org/packages/neuralnet/versions/1.44.2/topics/neuralnet (дата обращения: 14.02.2025).
  23. Hjort J., Marmion M. Effects of sample size on the accuracy of geomorphological models // Geomorphology. 2008. Vol. 102. P. 341–350.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

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

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

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

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

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

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

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

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

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

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

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