Везде

RAS Agricultural ScienceРоссийская сельскохозяйственная наука Russian Agricultural Sciences

  • ISSN (Print) 2500-2627
  • ISSN (Online) 3034-5820

Methodological aspects of forecasting winter rye yield on lands withdrawn from agricultural cultivation

You can
PII
S2500262725020016-1
DOI
10.31857/S2500262725020016
Publication type
Article
Status
Published
Authors
D. A. Ivanov
  • Affiliation: Federal Research Center «Dokuchaev Soil Science Institute»
Volume/ Edition
Volume / Issue number 2
Pages
3-10
Abstract
The study was conducted to compare the suitability of two mathematical methods for the procedure of forecasting the winter rye yield within abandoned lands. The training set for adjusting the forecast models (regression and neural network analyses) was the results of long-term monitoring of the winter rye yield on an agroecological transect laid within a terminal moraine hill near the city of Tver. The regression equations and perceptrons obtained for different climatic conditions, describing the dependence of rye yield on landscape conditions, were used to forecast its productivity in abandoned lands located in the same region. The developed forecasts based on regression and neural network models differ only in details. Maps of the forecast winter rye yield, created on the basis of various mathematical approaches, indicate the suitability of the studied territory for growing this crop - its forecast average weighted yield within its limits fluctuates from 1.52 to 2.61 t/ha. The optimal location for rye crops based on the map created based on the forecast results will be the landscape of the moraine--glacial plain, and areas unfavorable for growing this crop are located within the outwash plain and the Volga River valley. For the purposes of adaptive landscape farming in the Non--Black Earth Region, it is necessary to recommend the combined use of regression and neural network analysis to obtain the most reliable and informative forecasts. The creation of maps of the predicted yield of winter rye within the boundaries of an abandoned site based on the available archival data has not only a methodological but also an applied meaning, since this procedure allows us to assess its suitability for growing this crop and, thus, answer the question of the advisability of conducting expensive expeditionary research on it.
Keywords
адаптивно-ландшафтные системы земледелия мониторинг прогноз регрессионный анализ нейронные сети
Date of publication
16.09.2025
Year of publication
2025
Number of purchasers
0
Views
17

References

  1. 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. 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. 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. 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. 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. 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. 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 2022-17-2-146157.
  8. 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. 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. 10. Шалов Т. Б., Азубеков Л. Х. Адаптивно-ландшафтные системы земледелия в схеме землеустройства территории сельского поселения // Земледелие. 2013. № 6. С. 28-29.
  11. 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. 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. 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. 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. 15. Шашко Д. И. Розов Н. Н. Внутриобластное природно-сельскохозяйственное районирования как форма учета биоклиматического потенциала // Земледелие. 1989. № 3. С. 18-22.
  16. 16. Беручашвили Н. Л. Геофизика ландшафта. М.: Высшая школа, 1990. 287 с.
  17. 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. 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. 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. 20. Минаев П. А. Анализ неиспользуемых земель сельскохозяйственного назначения России // Наука без границ. 2021. № 9(61). С. 26-32.
  21. 21. Плохинский Н. А. Биометрия. М.: МГУ, 1970. 367 с.
  22. 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. 23. Hjort J., Marmion M. Effects of sample size on the accuracy of geomorphological models // Geomorphology. 2008. Vol. 102. P. 341-350.
QR
Translate

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Higher Attestation Commission

At the Ministry of Education and Science of the Russian Federation

Scopus

Scientific Electronic Library