Везде

ОСХН Российская сельскохозяйственная наука Russian Agricultural Sciences

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

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

Вы можете
Код статьи
S2500262725020016-1
DOI
10.31857/S2500262725020016
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Иванов Д. А.
  • Должность: доктор сельскохозяйственных наук, член-корреспондент РАН
  • Аффилиация: Федеральный исследовательский центр «Почвенный институт им. В. В. Докучаева»
Том/ Выпуск
Том / Номер выпуска 2
Страницы
3-10
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.
Ключевые слова
адаптивно-ландшафтные системы земледелия мониторинг прогноз регрессионный анализ нейронные сети
Дата публикации
17.09.2025
Год выхода
2025
Всего подписок
0
Всего просмотров
19

Библиография

  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
Перевести

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Высшая аттестационная комиссия

При Министерстве образования и науки Российской Федерации

Scopus

Научная электронная библиотека