Россия
Россия
Россия
УДК 631.4 Почвоведение. Почвенные исследования
Пахотные угодья могут иметь разную степень контрастности плодородия в пределах одного сельскохозяйственного поля. Одной из причин формирования высококонтрастных структур почвенного покрова (ВКСПП) является разная глубина подстилания четвертичных отложений пермскими отложениями. ВКСПП на чередовании четвертичных и пермских отложений распространены в республиках Татарстан и Башкортостан, Оренбургской, Самарской и Ульяновской областях. Развитие методов обработки больших данных дистанционного зондирования (БДДЗ) с использованием нейронных сетей (построение мультивременной линии почвы), позволяет вскрыть распространение ВКСПП на больших территориях с детальностью систем точного земледелия. Распределение различной продуктивности сельскохозяйственных культур пространственно совпадает с ВКСПП и определяется контрастными свойствами почвенного покрова. Наибольшие различия в продуктивности сельскохозяйственных культур отмечены для подсолнечника и составляют более 2,5 раз от одной зоны плодородия к другой. Кольцеобразный рисунок ВКСПП и неоднократное чередование колец позволяет повысить продуктивность территории только в рамках систем точного земледелия на основе БДДЗ.
структура почвенного покрова, большие данные, мультивременная линия почвы, точное земледелие
1. Kukutai A. Can Digital Farming Deliver on its Promise. 2016. URL: http://www.agnewscenter.com/archives.cfm?news=9903
2. Фридланд В.М. Структура почвенного покрова. М.: Мысль, 1972. 423 с.
3. Скрябина О.А. Структура почвенного покрова, методы ее изучения. Пермь: Пермская ГСХА, 2008. 151 с.
4. Johnson W.M. The pedon and polypedon // Soil Science Society of America, Proceedings. 1963. V. 27, pp. 212-215.
5. Webster, R. Fundamental objections to the 7th Approximation. // Journal of Soil Science. 1968. V. 19(2), pp. 354–366. DOI:https://doi.org/10.1111/j.1365-2389.1968.tb01546.x
6. Козловский Ф.И. Почвенный индивидуум и методы его определения. Закономерности пространственного варьирования свойств почв и информационно-статистические методы их изучения. М.: Наука, 1970. С. 42-59.
7. Симакова М.С. Почвенные карты. Картографическая изученность России (топографические и тематические карты): РАН; Институт географии. Москва, 1999. С. 113-133.
8. Kulyanitsa A.L., Rukhovich D.I., Koroleva P.V., Vilchevskaya E.V., Kalinina N.V. Analysis of the informativity of big satellite precision-farming data processing for correcting large-scale soil maps. Eurasian Soil Science. 2020. V. 53(12), pp. 1709-1725. DOI:https://doi.org/10.1134/S1064229320110083
9. Кирюшин В.И. Управление плодородием почв и продуктивностью агроценозов в адаптивно-ландшафтных системах земледелия // Почвоведение. 2019. № 9, С. 1130-1139. DOI:https://doi.org/10.1134/S0032180X19070062
10. Белоусов А.А., Белоусова Е.Н. Влияние внутрипольной неоднородности почвенного плодородия на выбор элементов методики полевого опыта // Вестник КрасГАУ. 2013. № 6(81), С. 55-62.
11. Wollenhaupt N.C., Wolkowski R.P. Grid soil sampling // Better Crops. 1994. V. 78(4), pp. 6-9.
12. Yang C., Anderson G.L. Airborne Videography to Identify Spatial Plant Growth Variability for Grain Sorghum // Precision Agriculture 1, 67-79 (1999). http://doi.org/10.1023/A:1009917617316
13. Hong S.Y., Sudduth K.A., Kitchen N.R., Drummond S.T., Palm H.L., Wiebold W.J. Estimating within-field variation in soil properties from airborne hyperspectral images // Pecora 15/Land Satellite Information IV/ISPRS Commission I/FIEOS 2002 Conference Proceeding. 2002. http://www.isprs.org/commission1/proceedings02/paper/00025.pdf
14. Robert P.C. (1982). Evaluation of some remote sensing techniques for soil and crop management. Ph.D. Dissertation, University of Minnesota, St. Paul, MN.
15. Ziliani M.G., Altaf M.U., Aragon B., Houborg R., Franz T. E., Lu Y., Sheffield J., Hoteit I., McCabe M. F. Intra-field crop yield variability by assimilating CubeSat LAI in the APSIM crop model. // Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. 2022. XLIII-B3-2022, pp. 1045–1052. DOI:https://doi.org/10.5194/isprs-archives-XLIII-B3-2022-1045-2022
16. Samsonova V.P., Meshalkina J.L., Blagoveschensky Y.N., Yaroslavtsev A.M., Stoorvogel J.J. The role of positional errors while interpolating soil organic carbon contents using satellite imagery. // Precision Agric. 2018. 19, pp. 1085–1099. DOI:https://doi.org/10.1007/s11119-018-9575-4
17. Bento N.L., Silva Ferraz G.A., Santana L.S., de Oliveira Faria R., da Silva Amorim J., de Lourdes Oliveira e Silva M., Silva M.M.A., Alonso D.J.C. Soil compaction mapping by plant height and spectral responses of coffee in multispectral images obtained by remotely piloted aircraft system. // Precision Agric. 2024. 25, pp. 729-750. DOI:https://doi.org/10.1007/s11119-023-10090-0
18. Liu P., Di L., Du Q., Wang L. Remote Sensing Big Data: Theory, Methods and Applications. // Remote Sensing. 2018. V. 10(5), 711. DOI:https://doi.org/10.3390/rs10050711
19. Rukhovich D.I., Koroleva P.V., Rukhovich D.D., Rukhovich A.D., Recognition of the bare soil using deep machine learning methods to create maps of arable soil degradation based on the analysis of multi-temporal remote sensing data. // Remote Sensing. 2022. V. 14(9), 2224. DOI:https://doi.org/10.3390/rs14092224
20. Номенклатура и таксономия основных типов почв Республики Татарстан / Сост. А.А. Шинкарев, А.В. Гусаров, К.Г. Гиниятуллин, Л.В. Мельников, М.К. Латыпов. Казань: Издательство Казанского государственного университета. 2008. 32 с.
