On the issue of forecasting crop yields for the purposes of adaptive landscape agriculture

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

Long-term monitoring (1998–2023) of the yield of clover-timothy grass stands of the first year of use was carried out in order to find patterns of influence of landscape environmental conditions on it in various agroclimatic conditions. The research was conducted within the moraine hill located at the Gubino VNIIMZ agro-testing site in the Tver region. Soil-forming rocks are two-membered deposits consisting of an upper layer composed of relatively light rocks, underlain by moraine bouldery loam. The grass stands were exploited without fertilizers in a single-cut mode on a field divided into 120 plots. Using regression analysis, the influence of landscape and soil environment factors was determined: relief, physical and agrochemical properties of soils on grass yield, as well as the dependence of the degree of this impact on climatic conditions. It was found that the yield of perennial grasses is most strongly influenced by various fractions of the granulometric composition of soils – from stones to dust (up to 16 % of its variability) and the altitude of the location (up to 38 %), since the thermal and water-air characteristics of soils and vegetation largely depend on them. Terrain characteristics such as steepness and curvature of the surface have a minor impact on grass yield (up to 12 %). The degree of influence of agro-landscape environmental factors on the growth of grasses is largely regulated by fluctuations in weather conditions. “Climate scenarios” of a specific factor – sets of weather parameters under which its effect on the production process of a crop is manifested – in the years of sowing and mowing, as a rule, do not differ fundamentally. Knowing the nature of the influence of climatic factors allows us to more accurately predict crop yields within an agricultural landscape and, thus, optimize the location of crops on the territory of a particular farm.

Texto integral

Acesso é fechado

Sobre autores

D. Ivanov

Federal Research Centre Dokuchaev Soil Science Institute

Autor responsável pela correspondência
Email: 2016vniimz-noo@list.ru

доктор сельскохозяйственных наук, член-корреспондент РАН

Rússia, 119017, Moskva, Pyzhevskii per., 7, str. 2

N. Kharhardinov

Federal Research Centre Dokuchaev Soil Science Institute

Email: 2016vniimz-noo@list.ru
Rússia, 119017, Moskva, Pyzhevskii per., 7, str. 2

K. Kurpas

Federal Research Centre Dokuchaev Soil Science Institute

Email: 2016vniimz-noo@list.ru
Rússia, 119017, Moskva, Pyzhevskii per., 7, str. 2

Bibliografia

  1. Methodological evolution of potato yield prediction: a comprehensive review / Y. Lin, S. Li, S. Duan, et al. // Frontiers in plant science. 2023. Vol. 14. 1214006. URL: https://www.frontiersin.org/journals/plant-science/articles/10.3389/fpls.2023.1214006 (дата обращения: 19.06.2024).
  2. Crop Yield Prediction through Proximal Sensing and Machine Learning Algorithms / F. Abbas, H. Afzaal, A. A. Farooque, et al. // Agronomy. 2020. Vol. 10. No. 7. 1046. URL: https://www.mdpi.com/2073–4395/10/7/1046 (дата обращения: 19.06.2024). doi: 10.3390/agronomy10071046.
  3. Abou Ali H., Delparte D., Griffel L. M. From pixel to yield: forecasting potato productivity in lebanon and Idaho. The International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences. 2020. Vol. 42–3. No. 11. P. 1–7. URL: https://isprs-archives.copernicus.org/articles/XLII-3-W11/1/2020/ (дата обращения: 19.06.2024). doi: 10.5194/isprs-archives-XLII-3-W11-1-2020.
  4. 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.
  5. Прогнозирование урожайности сельскохозяйственных культур на основе математических моделей баланса гумуса, кислотности почвы, NPK / Д. А. Благов, С. В. Митрофанов, В. С. Никитин и др. // Международный научный сельскохозяйственный журнал. 2019. № 3. С. 62–66.
  6. 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.
  7. Степанов А. С. Прогнозирование урожайности сельскохозяйственных культур на основе данных дистанционного зондирования Земли (на примере сои) // Вычислительные технологии. 2019. Т. 24. № 26. С. 125–132.
  8. Степанов А. С., Асеева Т. А., Дубровник К. Н. Влияние климатических характеристик и значений вегетационного индекса NDVI на урожайность сои (на примере районов Приморского края) // Аграрный вестник Урала. 2020. № 1 (192). С. 10–19. doi: 10.32417/1997-4868-2020-192-1-10-19.
  9. Буховец А.А., Кучеренко М. В., Семин Е. А. Прогнозирование урожайности зерновых культур с помощью динамической модели нормализованного относительного индекса растительности, учитывающей физиологические особенности развития сельскохозяйственных растений // Вестник Воронежского государственного аграрного университета. 2021. № 3 (70). С. 93–104. doi: 10.53914/issn2071-2243_2021_3_93.
  10. 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.
  11. 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.
  12. 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). doi: 10.51419/202131127.
  13. Ksenofontov M. Y., Polzikov D. A. On the issue of the impact of climate change on the development of russian agriculture in the long term // Studies on Russian Economic Development. 2020. Vol. 31. No. 3. Р. 304–311. doi: 10.1134/S1075700720030089.
  14. Шашко Д. И., Розов Н. Н. Внутриобластное природно-сельскохозяйственное районирование как форма учета биоклиматического потенциала // Земледелие. 1989. № 3. С. 18–22.
  15. Беручашвили Н. Л. Геофизика ландшафта. М.: Высшая школа, 1990. 287 с.
  16. Temperature increase reduces global yields of major crops in four independent estimates / C. Zhaoa, B. Liub, S. Piaoa, et al. // Proceedings of the National Academy of Sciences. 2017. Vol. 114. No. 35. Р. 9326–9331. doi: 10.1073/pnas.1701762114.
  17. The application of the soil-agroclimatic index for assessing the agronomic potential 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.
  18. Козунь Ю. С., Казеевa К. Ш., Колесников С. И. Влияние климата на ферментативную активность лесных почв северного Кавказа // Лесоведение. 2022. № 3. С. 262–269. doi: 10.31857/S002411482203010X.
  19. Effects of Plastic Film Mulching on Soil Enzyme Activities and Stoichiometry in Dryland Agroecosystems / M. Liu, X. Zhao, M. E. Hossain, et al. // Plants. 2022. Vol. 11(13). P. 1748. URL: https://www.mdpi.com/2223–7747/11/13/1748 (дата обращения: 19.06.2024). doi: 10.3390/plants11131748.
  20. Иванов Д. А., Рублюк М. В. Влияние погодных и ландшафтных условий на урожайность яровой пшеницы // Зерновое хозяйство России. 2023. Т. 15. № 5. С. 70–77. doi: 10.31367/2079-8725-2023-88-5- 70-77.
  21. Иванов Д. А., Рублюк М. В., Хархардинов Н. А. К вопросу об адаптивно-ландшафтном обустройстве заброшенных земель на основе результатов прогнозирования урожайности ячменя // Российская сельскохозяйственная наука. 2023. № 5. С. 27–33. doi: 10.31857/S2500262723050058.
  22. Плохинский Н. А. Биометрия. М.: МГУ, 1970. 367 с.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML

Declaração de direitos autorais © Russian Academy of Sciences, 2024

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».