Volume № 39 (2021)
УДК
551.501.8
DOI
10.53988 /24136573-2021-01-04
To cite the content of the article, please use the following description
To cite the content of the article, please use the following description
Кадырова Г.Д., Лагутина А. И., Пономарев А.С., Решетникова Т.Ю., Якушева В.Н. Разработка стратегии дифференцированного внесения удобрений с использованием данных дистанционного зондирования земли // Управление рисками в АПК. 2021. Вып. 39 С. 46-59. DOI: 10.53988/24136573-2021-01-04
Kadyrova G.D., Lagutina A. I., Ponomarev A.S., Reshetnikova T.Yu., Yakusheva V.N. Development of a differentiated fertilizer application strategy using remote earth sensing data // Agricultural Risk Management, 2021, Vol. 39, pp. 46-59. DOI: 10.53988 /24136573-2021-01-04
ЭКОНОМИЧЕСКИЕ НАУКИ
КАДЫРОВА Г.Д., ЛАГУТИНА А. И., ПОНОМАРЕВ А.С., РЕШЕТНИКОВА Т.Ю., ЯКУШЕВА В.Н.
РАЗРАБОТКА СТРАТЕГИИ ДИФФЕРЕНЦИРОВАННОГО ВНЕСЕНИЯ УДОБРЕНИЙ С ИСПОЛЬЗОВАНИЕМ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ
Кадырова Гузель Дамировна - кандидат биологических наук, эксперт, ООО «Инногеотех», г. Иннополис, Республика Татарстан, Россия.
E-mail: g.kadyrova@innopolis.ru
SPIN-код РИНЦ: 5249-4400
Лагутина Анастасия Ивановна - кандидат сельскохозяйственных наук, главный аналитик, ООО «Инногеотех», г. Иннополис, Республика Татарстан, Россия.
E-mail: laganastasya@yandex.ru
Пономарёв Александр Сергеевич - специалист, Университет "Иннополис", г. Иннополис, Республика Татарстан, Россия.
E-mail: girolike@gmail.com
Решетникова Татьяна Юрьевна - кандидат экономических наук, руководитель направления цифровизации сельского хозяйства, Университет "Иннополис", г. Иннополис, Республика Татарстан, Россия.
E-mail: san777sara@yandex.ru
Якушева Вера Николаевна - специалист по дешифрированию данных, Университет "Иннополис", г. Иннополис, Республика Татарстан, Россия.
E-mail: yakusheva_vera19@mail.ru
annotation
В работе представлены результаты эксперимента по поиску и изучению зон различной продуктивности на сельскохозяйственном поле, выявленных путем ретроспективного анализа космических снимков. В ходе исследования, данные аэрокосмических снимков позволили дистанционно провести предварительные исследования поля, наблюдать за сезонным ходом вегетации в динамике, а также получать оперативную картометрическую информацию – планировать координаты точек отбора проб и растений, строить картограммы распределения индекса вегетации на поле. Для более глубоко анализа факторов влияющих на урожайность, также были выполнены агрохимическое обследование почв до посева, и проведена функциональная диагностика качества растений до и после проведения листовых подкормок. Итоговая урожайность была оценена методом делянок. В результате эксперимента сформулированы выводы о связи урожайности различных по продуктивности зон поля с листовыми подкормками. Данные агрохимического обследования и функциональной диагностики растений приведены в работе.
Keywords
Зона продуктивности, ретроспективный анализ, данные дистанционного зондирования Земли, агрохимическое обследование почв, функциональная диагностика растений, оценка урожайности.
KADYROVA G.D., LAGUTINA A. I., PONOMAREV A.S., RESHETNIKOVA T.YU., YAKUSHEVA V.N.
DEVELOPMENT OF A DIFFERENTIATED FERTILIZER APPLICATION STRATEGY USING REMOTE EARTH SENSING DATA
Kadyrova Guzel Damirovna - candidate of biological sciences, expert, Innogeotech LLC, Innopolis, Republic of Tatarstan, Russia.
E-mail: g.kadyrova@innopolis.ru
Lagutina Anastasia Ivanovna - Candidate of Agricultural Sciences, Chief Analyst, Innogeotech LLC, Innopolis, Republic of Tatarstan, Russia.
E-mail: laganastasya@yandex.ru
Ponomarev Alexander Sergeevich - specialist, University "Innopolis", Innopolis, Republic of Tatarstan, Russia.
E-mail: girolike@gmail.com
Reshetnikova Tatyana Yurievna - Candidate of Economic Sciences, Head of the Digitalization of Agriculture, Innopolis University, Innopolis, Republic of Tatarstan, Russia.
E-mail: san777sara@yandex.ru
Yakusheva Vera Nikolaevna - data decryption specialist, Innopolis University, Innopolis, Republic of Tatarstan, Russia.
E-mail: yakusheva_vera19@mail.ru
Annotation
The paper presents the results of an experiment on the search and study of zones of different productivity in an agricultural field, identified by retrospective analysis of satellite images. During the study, aerospace imagery data made it possible to remotely conduct preliminary field studies, observe the seasonal course of the growing season in dynamics, as well as receive operational cartometric information - plan the coordinates of sampling points and plants, build cartograms of the distribution of the vegetation index in the field. For a more in-depth analysis of the factors affecting the yield, an agrochemical survey of soils before sowing was also carried out, and a functional diagnosis of the quality of plants before and after foliar dressing was carried out. The final yield was estimated by the plot method. As a result of the experiment, conclusions were formulated about the relationship between the yield of different productivity zones of the field with foliar dressing. The data of agrochemical examination and functional diagnostics of plants are given in the work.
Keywords
Productivity zone, retrospective analysis, Earth remote sensing data, agrochemical soil survey, functional diagnostics of plants, yield assessment.
Article text
Среди многообразия аспектов перехода к цифровым технологиям в сельском хозяйстве, одним из ведущих направлений является внедрение дистанционного мониторинга состояния территорий, в том числе посевов. В основе мониторинга лежит контроль качественных и количественных параметров состояния растений по космическим снимкам или данным беспилотных летательных аппаратов (БПЛА). Выбор между последними ограничивается наличием данных с БПЛА, а также площадью наблюдения. Современные БПЛА требуют наличия оператора, имеют высокую цену, съемки не всегда могут охватить большие пространства за один полет, зависят от погодных условий, требуются большие объемы памяти для хранения и обработки таких данных. Наиболее доступным источником данных дистанционного наблюдения являются космические снимки, т.к. имеют достаточное пространственное разрешение для контроля качественных параметров – 10-30 м, находятся в свободном доступе и выполняют регулярную съемку одной и той же территории независимо от погодных условий.
Само по себе, изображение земли из космоса в естественных цветах, может быть не информативным для оценки состояния посевов на сельскохозяйственных угодьях, особенно в период вегетационной активности растений (май-октябрь), когда помимо культурной растительности на снимках присутствуют в качестве фона естественные ландшафты – древесно-кустарниковые растения, пространства между полями, защитные лесополосы, необрабатываемые участки поля заросшие сорными растениями и т.п. В связи с этим, наиболее информативным показателем оценки состояния растений является расчет индекса вегетации, широко применяемый в науке. Существует многообразие формул для расчета различных индексов вегетации, учитывающих те или иные параметры состояния растения на основе используемого в расчете значения спектрального канала – NDVI, EVI, GNDVI, NDRE, NDWI, NDMI, LAI.
Наиболее простым с точки зрения расчета и популярным среди научных работ по оценке сельскохозяйственных территорий является индекс NDVI - нормализованный относительный индекс биомассы NDVI (Normalized Difference Vegetation Index, NDVI). Значение NDVI является показателем количества фотосинтетически активной биомассы на земной поверхности. Для расчета индекса используются значения спектральной яркости в красном и ближнем инфракрасном диапазонах спектра.
NDVI = (NIR – Red)/(NIR + Red) (1)
NIR – отражение в ближней инфракрасно области (0,75-1,0 мкм), RED – отражение в красной области спектра (0,55-0,75 мкм).
Диапазон значений индекса от -1 до 1. Для растительности индекс NDVI принимает положительные значения, чем больше объем фитомассы, тем выше значения индекса.
На сегодняшний день существует ряд научных работ, посвященных исследованиям динамики NDVI и особенностей изменения его значений для сельскохозяйственных угодий, в том числе для различных культур. [2,3,4] Среди актуальных научных задач – выявление зависимости между изменениями значений индекса и качественным состоянием посевов, а точнее – пространственный дистанционный поиск проблемных зон внутри поля, отличных по своим значениям индекса от среднего значения индекса всей площади поля. Под полем в данным случае имеется ввиду участок засеянный единой культурой одного сорта, и имеющий единую схему обработки посевов. В этом случае контроль средних значений NDVI позволит выявить на поле зоны отставания или интенсивного роста и принять соответствующие корректирующие меры – подкормки, прополки и прочие способы обработки. Однако, помимо анализа фактического состояния посевов немаловажным является оценка исходных причин формирования зон различной продуктивности внутри поля, что приводит к необходимости исследования этих зон в ретроспективе и с учетом дополнительных факторов урожайности – почвенного плодородия и климатических особенностей территории.
Данное исследование посвящено анализу влияния зон продуктивности, сформированных на основе ретроспективного анализа данных дистанционного зондирования земли, позволяющего выявить качественную неоднородность почвенного покрова, влияющего на неравномерное развития растений и последующие показатели урожайности культуры. Утверждение, что почвенная неоднородность поля является одним из ключевых факторов неравномерного развития растений, имплицитно присутствует в теориях агроэкологического мониторинга почвы , так как по сути представляет собой иную формулировку утверждения о том, что к важнейшим факторам изменений в показателях урожайности относится существование постоянных факторов, влияющих на развитие любой культуры на данном участке поля, вне зависимости от агротехнологических приемов возделывания и особенностей самой культуры.
Действительно, одним из признаков наличия неких постоянных зон, ежегодно оказывающих влияние на развития культуры, является ретроспективный (исторический) анализ состояния растений на одном и том уже участке поля и сравнении этих участков поля между собой. Но такая особенность возникает в случае, если качественный характеристики почвы на данном участке схожи между собой и не распространены или относительно менее распространены за пределами однородного участка, то есть в случае существования внутри поля участков неоднородности, влияющих на продуктивность культуры.
Для проведения исследований были отобраны два сельскохозяйственных угодья (А и Б), регулярно возделываемых на протяжении последних нескольких лет. Территориально, угодья расположены в зоне южных черноземов Волгоградской области, где типичны засушливые климатические условия – минимум осадков и жаркое засушливое лето.
Сроки проведения исследований - 1.02.2020 г. - 31.12.2020 г. Возделываемая сельскохозяйственная культура – подсолнечник, гибрид Генезис КЛП и ПР64Ф66.
В ходе эксперимента были решены следующие ключевые задачи:
1. Проведены дистанционные исследования территории наблюдаемых сельскохозяйственных полей по данным регулярной космической сьемки высокого разрешения с 2017 по 2020 гг. в течение всего вегетационного периода – выполнен ретроспективный анализ территории;
2. Выделены зоны различной продуктивности на поле с учетом данных индекса вегетации за последние три года на основе данных регулярной космической сьемки;
3. Установлен оптимальный способ получения информации о дефиците элементов питания растений - по результатам почвенного анализа и методом листовой диагностики;
4. По результатам наземного и дистанционного мониторинга за состоянием растений подобраны схемы по внесению минеральных удобрений и листовых подкормок внутри различных по продуктивности зонах;
5. Проведен анализ структуры урожая внутри каждой из зон продуктивности;
6. Выполнен сравнительный анализ данных урожайности.
Ретроспективный анализ данных дистанционного зондирования земли представляет собой подбор космических снимков наблюдаемой территории, охватывающих вегетационный период за несколько последний лет (минимум за 3 последних года). Космические снимки должны покрывать территорию наблюдения минимум 1 раз в месяц, иметь пространственное разрешение не хуже 10 м/пиксель, а также быть многозональными, в частности иметь спектральные каналы NIR (ближний инфракрасный) и RED (красный), необходимые для расчета индекса NDVI. Данным условиям удовлетворяют космические снимки КА Sentinel-2a, выполняющего съемку территории каждые 3-5 дней, имеющего пространственное разрешение 10 м, а база данных снимков находится в открытом доступе на сайте Европейского космического агентства.
Для выявления и формирования зон продуктивности было произведено суммирование значений NDVI в течение вегетационного периода за период в несколько лет. Результаты суммирования проходили статистическую обработку и ранжировались по зонам продуктивности. Участки полей с наибольшей суммой накопленного NDVI считаются наиболее продуктивными, наименьшей – низко продуктивными.
Формула для расчета:
ΣNDVI(n) + ΣNDVI(n+1) (2)
ΣNDVI(n) - накопление NDVI в год.
В результате получения суммарного растра NDVI, стало возможным выделение различных по продуктивности зон поля. На рисунке 1, высокопродуктивной зоне соответствует северо-западный угол поля (поле Б) с повышенным суммарным значением индекса NDVI, низкопродуктивная зона находится в южной части поля. В соответствующих зонах поля были отобраны пробы почв и растений.
Анализ дефицита элементов питания растений проводился по результатам почвенного анализа и методом листовой диагностики в ходе вегетации. На первом этапе, для оценки плодородия почвы в различных зонах продуктивности до внесения удобрений были отобраны пробы почвы и проанализированы по стандартному набору агрохимических показателей.
Поле Б
По результатам проведенных исследований агрохимического состава высокопродуктивной зоны поля Б (проба 8), было выявлено, что почва не достаточно обеспеченна азотом аммиачным и нитратным, серой, кальцием, магнием, марганцем и бором. Обеспеченность остальными определенными элементами имеет оптимальное или высокое значение.
Анализ низкопродуктивной зоны (проба 9) поля Б, выявил недостаточную обеспеченность почвы нитратным азотом, калием, серой, кальцием, марганцем и бором. Обеспеченность остальными определенными элементами имеет оптимальное или высокое значение.
Сравнительный анализ плодородия почвы высокопродуктивной и низкопродуктивной зон было выявлено, что содержание аммиачного азота в низкопродуктивной зоне (27,0 мг/кг) в 5 раз превышает высокопродуктивную зону (6,0 мг/кг). По содержанию фосфора и калия отмечается обратная тенденция, в высокопродуктивной зоне преобладает количество этих элементов (Р2О5 – 32,4 мг/кг; К2О – 421,8 мг/кг), в низкопродуктивной зоне их меньше, особенно калия (Р2О5 – 21,6 мг/кг; К2О – 112,1 мг/кг) (Таблица 1). Возможно это связано с тем, что в предыдущий год (2019г) в низкопродуктивной зоне было внесено 200 кг/га сульфата аммония, тогда как на в высокопродуктивной зоне в 2019 году не вносили удобрения. Было снижено содержание фосфора и калия. Из чего следует, что был нарушен баланс обеспечения потребности растений в азоте фосфоре и калии. По микроэлементам существенного различия по пробам не наблюдалось, кроме сульфатов и серы.
По результатам проведенных исследований высокопродуктивной зоны (проба 6), можно сделать вывод о том, что почва не достаточна обеспеченна азотом, кальцием, магнием, марганцем, и бором. Обеспеченность остальными определенными элементами имеет оптимальное или высокое значение. В почвенном образце обнаружено превышение по сере и сульфатам выше показателя ПДК 160 мг/кг, при фактическом содержании этих элементов 200,4 и 600,0 мг/кг соответственно.
Поле А
Анализ низкопродуктивной зоны поля А (проба 7) позволил выявить в почве недостаток нитратного азота, калия, кальция, марганца, и бора. В почвенном образце обнаружено превышение по сере и сульфатам выше показателя ПДК 160 мг/кг, при фактическом содержании этих элементов 213,8 и 640,0 мг/кг соответственно. Обеспеченность остальными определенными элементами имеет оптимальное или высокое значение.
Сравнительный анализ плодородия почв разных зон продуктивности поля А показал, что содержание аммиачного азота в пробе 7 (22,6 мг/кг) в 4 раза выше, чем в пробе 6 (5,0 мг/кг). По фосфорно-калийному обеспечению почв тенденция обратная - в пробе 6 преобладает количественно содержание этих элементов (Р2О5 – 35,1 мг/кг; К2О – 361,5 мг/кг), тогда как в пробе 7 их меньше, особенно калия (Р2О5 – 20,4 мг/кг; К2О – 109,7 мг/кг).
По микроэлементам существенного различия по пробам не наблюдается, кроме сульфатов и серы (Таблица 1).
Сравнительный анализ агрохимических показателей почв полей А и Б показал, что в высокопродуктивной зоне этих полей содержание аммиачного азота NH4 более чем в 4 раза меньше, чем в низкопродуктивной зоне, тогда как нитратного азота в 3…6 раза больше. Количество общего азота в высокопродуктивной зоне больше от 3,5 до 6 раза больше, чем в низкопродуктивной зоне.
Подвижных форм фосфора P2O5 в почвах высокопродуктивных зон содержалось в 1,5…1,7 раза больше, чем в низкопродуктивной зоне. Аналогичная закономерность наблюдалась и по содержанию P2O4. Содержание ионов калия и подвижных форм калия в почвах высокопродуктивной зоны было больше в 3,3…3,8 раза, чем в низкопродуктивной зоне.
Кальция в высокопродуктивной зоне было меньше в 1,6…2,9 раза, магния в 2,4…4,2 раза. Микроэлементный состав высокопродуктивных и низкопродуктивных зон этих полей примерно одинаков.
По остальным агрохимическим показателям по количественному составу элементов питания обнаружены схожие результаты, что говорит о слабой внутреиполевой дифференциации значений.
Подбор схемы по внесению минеральных удобрений внутри различных зон продуктивности. Так как эксперимент стартовал в феврале 2020 года, то провести основное внесение удобрений в предшествующий посевному осенний период не представлялось возможным. По факту, весной под культивацию и при посеве были внесены азото-фосфорные и серосодержащие удобрения.
Анализ потребности растений в макро- и микроэлементах на основе функциональной диагностики после применения основных удобрений и подбор стратегии листовых подкормок. Следующим этапом контроля состояния растений был анализ потребности растений в элементах питания после внесения основных удобрений. Исследования провели с помощью функционального метода диагностики (ФЭД), который позволил оценить не содержание того или иного элемента питания, а потребность растения в нем.
ФЭД - адаптированная методика к фотоколориметру Экотест 2020 для определения азота, фосфора, калия, серы, кальция, магния, бора, меди, цинка, марганца, железа, молибдена, кобальта и йода в 2% экстрагирующим растворе хлорида натрия. Интерпретация результатов производится на основании патента: способ диагностики потребности растений в элементах питания с учетом физиологического состояния растений. [1]
Функциональные методы диагностики позволяют оценить не содержание того или иного элемента питания, а потребность растения в нем. Потребность растений в элементах можно оценить, контролируя интенсивность физиолого-биохимических процессов. А.С. Плешковым и Б.А. Ягодиным (1982) разработан принцип диагностики питания растений по определению фотохимической активности хлоропластов. Метод позволяет в течение 40-50 минут определить потребность любых растений в 14 макро- и микроэлементах питания и дать рекомендации по проведению корневых и некорневых подкормок.
Для проведения ФЭД диагностики, были отобраны листовые пробы в соответствующих зонах продуктивности. Далее, по каждой точке отбора была проведена ФЭД диагностика, результаты которой выявили элементы питания находящиеся в дефиците в растениях.
В таблице 2 представлен пример результат оценки пробы растений с помощью ФЭД диагностики. Отрицательные значения отклонения свидетелствуют о дефиците элемента питания
Полученные результаты ФЭД диагностики по каждой из наблюдаемых зон продуктивности позволили подобрать наименования удобрений, содержащих в своем составе находящиеся в дефиците макро- и микроэлементы, т.е. наиболее оптимальные комплексные удобрения.
Также, модель ФЭД позволяет сформировать прогноз потери продуктивности в %, в зависимости от оценки уровня стрессового состояния растения по значению активности хлоропластов. В таблице 2 это значение равно 14,5 единиц, т.е. согласно методике оценки это третья группа физиологического состояния растений, это средний уровень фотосинтеза, т.е. прогнозирование потери продуктивности - 5-10%.
После проведения листовых подкормок процедура оценки потребности растений в элементах питания была повторена аналогичным образом с помощью ФЭД диагностики и были определены элементы питания находящиеся в дефиците.
Данные агрохимического обследования плодородия почв были сравнены с результатами ФЭД диагностики, а также с данными наблюдения за ходом вегетации по данным космической съемки. Для экспериментальных полей регулярно фиксировались средние значения NDVI для каждой из зон. Колебания значений NDVI между зонами оказались крайне малы и оказались не пригодными для сравнения зон продуктивности между собой, поэтому целесообразней было оценивать состояние растений вышеописанными методами диагностики и анализировать итоговую урожайность.
В качестве контроля и для чистоты эксперимента, в каждой из зон закладывались две полосы обработки – первая с последующей листовой подкормкой, вторая – без листовой подкормки.
На рисунке 2 представлен график значений NDVI, получаемых на основе расчетов средних значений в пределах зон продуктивности
Оценка урожайности. Перед уборкой урожая с опытных полей, в каждой из наблюдаемых зон продуктивности были отобраны растения для оценки структуры урожая методом делянок.
В таблице 3 представлен анализ показателей плодородия почвы и листовой диагностики до и после подкормки растений, поле Б
Во всех вариантах в низкопродуктивной зоне активность хлоропластов была намного ниже показателей в высокопродуктивной зоне, что коррелирует с пониженными показателями NDVI на протяжении вегетационного периода.
Обобщая итоговые результаты анализа урожайности полей А и Б, было выявлено, что применение листовых подкормок в высокопродуктивной зоне не влияет на урожайность. Тогда как применение листовых подкормок в низкопродуктивной зоне (поле Б) способствовало увеличению урожайности. В таблице 3 приведены итоговые значения урожайности по зонам в случаях с подкормкой и без подкормки (только основное удобрение).
Выводы
В приведенном в работе исследовании данные аэрокосмических наблюдений позволили:
• Провести предварительные исследования области наблюдения – выявить исторически сложившиеся зоны различной продуктивности на поле на основе расчетов индекса вегетации NDVI;
• Осуществить дистанционный мониторинг эксперементальных полей – контролировать ход вегетации в пределах выделенных заранее зон наблюдения, выполнять картометрические операции по определению координат точек деградации и роста на поле, планировать точки отбора проб.
Эксперимент позволил установить, что высокопродуктивные зоны на поле самостоятельно способны поддерживать баланс микроэлементов в почве и растениях, и листовые подкормки не приносят для этих участков существенного прироста урожая, в то время как для низкопродуктивных зон - подкормка по вегетации приносит значительный прирост урожайности, и в нашем эксперименте он оказался двукратным. Целесообразно предположить, что ретроспективные исследования полей по данным исторической космической съемки позволят определить на полях зоны, для которых возможно пренебречь листовыми подкормками и таким образом снизить расход препаратов.
Sources:
1. RU 2511311 С1. Способ диагностики потребности растений в элементах питания с учетом физиологического состояния растений от 10.04.2014 г.
2. Буховец А.Г., Семин Е.А., Костенко Е.И., Яблоновская С.И. Моделирование динамики вегетационного индекса NDVI озимой пшеницы в условиях ЦФО. Вестник Воронежского государственного аграрного университета. № 2 (57), 186-199 (2018).
3. Павловская Н.Е., Родимцев С.А., Бородин Д.Б., Вершинин С.В., Гагарина И.Н. Оценка состояния посевов озимой пшеницы и ярового ячменя по среднему значению NDVI, на основе космоснимков. Вестник аграрной науки. № 6 (87), 25-32 (2020).
4. Терехин Э.А. Оценка сезонных значений вегетационного индекса (NDVI) для детектирования и анализа состояния посевов сельскохозяйственных культур. Исследование Земли из космоса. № 1, 23 (2015).
5. Барталёв С.А., Егоров В.А., Лупян Е.А., Плотников Д.Е., Уваров И.А. Распознавание пахотных земель на основе многолетних спутниковых данных спектрорадиометра MODIS и локально-адаптивной классификации // Компьютерная оптика. 2011. Т. 35. № 1. С. 103-116.
6. Березин Л.В., Шаяхметов М.Р., Гиндемит А.М., Сергеева А.Ю. Изучение взаимосвязи урожайности яровой твердой пшеницы с вегетационным индексом NDVI степной зоны Омской области на основе данных дистанционного зондирования Земли // Вестник Омского государственного аграрного университета. 2015. № 2 (18). С. 34-38.
7. Гопп Н.В., Савенков О.А., Нечаева Т.В., Смирнова Н.В., Смирнов А.В. Использование NDVI в цифровом картографировании содержания фосфора в почвах и оценка обеспеченности им растений // Исследование Земли из космоса. 2019. № 2. С. 65-73.
8. Сторчак И.Г., Шестакова Е.О., Ерошенко Ф.В. Связь урожайности посевов озимой пшеницы с NDVI для отдельных полей // Аграрный вестник Урала. 2018. № 6 (173). С. 64-68.
9. Фомин Д.С., Чащин А.Н. Вегетационный индекс NDVI в оценке зерновых культур опытных полей пермского НИИСХ // Известия Оренбургского государственного аграрного университета. 2018. № 4 (72). С. 39-42.
References:
1. RU 2511311 S1. Sposob diagnostiki potrebnosti rasteniy v elementakh pitaniya s uchetom fiziologicheskogo sostoyaniya rasteniy ot 10.04.2014 g.
2. Bukhovets A.G., Semin Ye.A., Kostenko Ye.I., Yablonovskaya S.I. Modelirovaniye dinamiki vegetatsionnogo indeksa NDVI ozimoy pshenitsy v usloviyakh TSFO. Vestnik Voronezhskogo gosudarstvennogo agrarnogo universiteta. № 2 (57), 186-199 (2018).
3. Pavlovskaya N.Ye., Rodimtsev S.A., Borodin D.B., Vershinin S.V., Gagarina I.N. Otsenka sostoyaniya posevov ozimoy pshenitsy i yarovogo yachmenya po srednemu znacheniyu NDVI, na osnove kosmosnimkov. Vestnik agrarnoy nauki. № 6 (87), 25-32 (2020).
4. Terekhin E.A. Otsenka sezonnykh znacheniy vegetatsionnogo indeksa (NDVI) dlya detektirovaniya i analiza sostoyaniya posevov sel'skokhozyaystvennykh kul'tur. Issledovaniye Zemli iz kosmosa. № 1, 23 (2015).
5. Bartalov S.A., Yegorov V.A., Lupyan Ye.A., Plotnikov D.Ye., Uvarov I.A. Raspoznavaniye pakhotnykh zemel' na osnove mnogoletnikh sputnikovykh dannykh spektroradiometra MODIS i lokal'no-adaptivnoy klassifikatsii // Komp'yuternaya optika. 2011. T. 35. № 1. S. 103-116.
6. Berezin L.V., Shayakhmetov M.R., Gindemit A.M., Sergeyeva A.YU. Izucheniye vzaimosvyazi urozhaynosti yarovoy tverdoy pshenitsy s vegetatsionnym indeksom NDVI stepnoy zony Omskoy oblasti na osnove dannykh distantsionnogo zondirovaniya Zemli // Vestnik Omskogo gosudarstvennogo agrarnogo universiteta. 2015. № 2 (18). S. 34-38.
7. Gopp N.V., Savenkov O.A., Nechayeva T.V., Smirnova N.V., Smirnov A.V. Ispol'zovaniye NDVI v tsifrovom kartografirovanii soderzhaniya fosfora v pochvakh i otsenka obespechennosti im rasteniy // Issledovaniye Zemli iz kosmosa. 2019. № 2. S. 65-73.
8. Storchak I.G., Shestakova Ye.O., Yeroshenko F.V. Svyaz' urozhaynosti posevov ozimoy pshenitsy s NDVI dlya otdel'nykh poley // Agrarnyy vestnik Urala. 2018. № 6 (173). S. 64-68.
9. Fomin D.S., Chashchin A.N. Vegetatsionnyy indeks NDVI v otsenke zernovykh kul'tur opytnykh poley permskogo NIISKH // Izvestiya Orenburgskogo gosudarstvennogo agrarnogo universiteta. 2018. № 4 (72). S. 39-42.
All illustrations of the article: