О перспективах прецизионного управления продуктивностью пшеницы в условиях Северного Казахстана

О перспективах прецизионного управления продуктивностью пшеницы в условиях Северного Казахстана

Автор: Ирмулатов Б.Р., Абдуллаев К.К., Комаров А.А., Якушев В.В.

Журнал: Сельскохозяйственная биология @agrobiology

Рубрика: Продукционный процесс

Статья в выпуске: 1 т.56, 2021 года.

Бесплатный доступ

Повышение урожайности и качества пшеницы в условиях Республики Казахстан может быть достигнуто посредством реализации селекционного потенциала культуры. Для решения этой задачи определяющее значение имеют инновационные агротехнологические подходы, включающие систему точного земледелия (ТЗ). Учитывая значительную площадь Казахстана, одним из первых элементов внедрения ТЗ становится оценка состояния обширных территорий этой страны с использованием современных технологий дистанционного зондирования Земли (ДЗЗ). В настоящей работе впервые в условиях Северного Казахстана были реализованы приемы прецизионного управления продуктивностью яровой пшеницы. Цель работы - оценить перспективы использования системы точного земледелия в условиях Северного Казахстана и на этом основании предложить алгоритм перехода от пассивных мониторинговых мероприятий к активным управляющим прецизионным приемам повышения продуктивности яровой пшеницы. Исследования проводили на специализированном опытном полигоне точного земледелия (ТОО НПЦ зернового хозяйства им. А.И. Бараева) в условиях вегетационных сезонов 2019-2020 годов. Основным объектом были высокопродуктивные сорта яровой пшеницы ( Triticum vulgare L.) местной селекции Шортандинская 95 и Астана. На первом этапе поля полигона (темно-каштановые почвы) были обследованы по основным агрохимическим показателям с помощью наземного мобильного комплекса. Детализацию оценки плодородия почв осуществляли по схемам (сеткам обследования) с размерами элементарных участков 1, 5 и 25 га. Полученные данные использовали для выявления внутриполевой неоднородности и расчета доз удобрений для дифференцированного внесения. На втором этапе оценивали состояние посевов по космическим снимкам, сделанным спутниками группы Sentinel-2, и аэрофотоснимкам, полученным с помощью беспилотных летательных аппаратов. Диагностику развития растений по фенофазам проводили на основании нормализованного вегетационного индекса (normalized difference vegetation index, NDVI), а конечный результат оценивали по электронным картам урожайности. На третьем этапе осуществляли статистическую оценку полученных данных с использованием пакета прикладных программ Stat и Microsoft Excel 2010 и программного обеспечения AGROS-1 (версия 2.09-2.11/1993-2009). Основные удобрения вносили припосевным и поверхностным способами. Также проводили некорневые подкормки. В экспериментах применяли полимерные удобрения Витанолл-NP (1 л/га) и Витанолл-микро (1 л/га) (ООО «Агромаркет-24», Россия), комплексное хелатное КХМ (2 л/га) (ФГБНУ Агрофизический НИИ, Россия) и гуминовое Стимулайф (0,3 л/га) (ООО «Агрофизпродукт», Россия). Установлено, что только одна агрохимическая неоднородность поля частично нивелировалась дифференцированным внесением элементов питания. В засушливых условиях Казахстана установлено доминирующее влияние на продуктивность яровой пшеницы параметров почвенного плодородия, связанных с запасом и распределением почвенной влаги (почвенно-ландшафтно-гидрологических условий). По изменению агроландшафтных условий, которые определяются уклоном местности, удалось оценить распределение водотоков, характеризующих запас продуктивной влаги в той или иной части поля. На основании данных ДЗЗ и сопряженных наземных измерений предложен алгоритм перехода от констатации полученных данных к оперативному управлению биопродукционным процессом растений. При этом чем более детализирован был анализ данных, тем выше оказывалась результативность. Так, прибавка урожайности при сетке 5 га была чуть меньше 10 %, а при сетке 1 га - в 2 раза больше. Показана тесная корреляционная связь между урожайностью и NDVI: коэффициент корреляции по трансекте склона составлял r = 0,64-0,99, поперек поля - r = 0,62-0,98. Получена значительная прибавка урожая как за счет дифференцированного внесения минеральных удобрений (на 9,5 % по сетке 5 га и на 19,2 % по сетке 1 га), так и благодаря своевременным некорневым подкормкам (на 15-22,3 %). В целом данные экспериментальных исследований свидетельствуют о перспективности применения ТЗ в управлении продукционным процессом яровой пшеницы в условиях Северного Казахстана.

Еще

Яровая пшеница, северный казахстан, точное земледелие, дистанционное зондирование земли, агроландшафт, почвенное плодородие, почвенная влага

Короткий адрес: https://sciup.org/142229471

IDR: 142229471   |   DOI: 10.15389/agrobiology.2021.1.92rus

Список литературы О перспективах прецизионного управления продуктивностью пшеницы в условиях Северного Казахстана

  • Merchuk-Ovnat L., Fahima T., Ephrath J.E., Krugman T., Saranga Y. Ancestral QTL alleles from wild emmer wheat enhance root development under drought in modern wheat. Front. Plant Sci., 2017, 8: 703-715 (doi: 10.3389/fpls.2017.00703).
  • Araus J.L., Slafer G.A., Royo C., Serret M.D. Breeding for yield potential and stress adaptation in cereals. Critical Reviews in Plant Sciences, 2008, 27(6): 377-412 (doi: 10.1080/07352680802467736).
  • Guo Y., Du Z., Chen J., Zhang Z. QTL mapping of wheat plant architectural characteristics and their genetic relationship with seven QTLs conferring resistance to sheath blight. PLoS ONE, 2017, 12(4): e0174939 (doi: 10.1371/journal.pone.0174939).
  • Усков И.Б., Якушев В.П., Чесноков Ю.В. Управление агробиологическими системами — физико-агрономические и генетико-селекционные аспекты (к 85-летию Агрофизического научно-исследовательского института). Сельскохозяйственная биология, 2017, 52(3): 429-436 (doi: 10.15389/agrobiology.2017.3.429rus).
  • Panayi E., Peters G.W., Kyriakides G. Statistical modelling for precision agriculture: a case study in optimal environmental schedules for Agaricus Bisporus production via variable domain functional regression. PLoS ONE, 2017, 12(9): e0181921 (doi: 10.1371/journal.pone.0181921).
  • Banu S. Precision аgriculture: tomorrow's technology for today's farmer. J. Food Process Tech-nol., 2015, 6(8): 1000468 (doi: 10.4172/2157-7110.1000468).
  • Busse M., Doernberg A., Siebert R., Kuntosch A., Schwerdtner W., Konig B., Bokelmann W. Innovation mechanisms in German precision farming. Precision Agric., 2014, 15(4): 403-426 (doi: 10.1007/s11119-013-9337-2).
  • Спивак Л.Ф., Терехов А.Г., Витковская И.С., Батырбаева М.Ж. Использование многолетних спутниковых данных различного разрешения для комплексной оценки состояния растительного покрова территории Казахстана. Современные проблемы дистанционного зондирования Земли из космоса, 2009, 6(2): 450-458.
  • Гопп Н.В., Савенков О.А., Смирнов А.В. Цифровое картографирование урожайности яровой пшеницы, выполненному на основе вегетационных индексов и оценка ее изменений в зависимости от свойств антропогенно-преобразованных почв. Современные проблемы дистанционного зондирования Земли из космоса, 2019, 16(3): 125-139 (doi: 10.21046/2070-7401-2019-16-3-125-139).
  • Roy D.P., Wulder M.A., Loveland T.R., Woodcock C.E., Allen R.G., Anderson M.C., Helder D., Irons J.R., Johnson D.M., Kennedy R., Scambos T.A., Schaaf C.B., Schott J.R., Sheng Y., Vermote E.F., Belward A.S., Bindschadler R., Cohen W.B., Gao F., Hipple J.D., Hostert P., Huntington J., Justice C.O., Kilic A., Kovalskyy V., Lee Z.P., Lymburner L., Ma-sek J.G. McCorkel J. Shuai Y., Trezza R., Vogelmann J., Wynne R.H., Zhu Z. Landsat8: Science and product vision for terrestrial global change research. Remote Sensing of Environment, 2014, 145: 154-172 (doi: 10.1016/j.rse.2014.02.001). '
  • Bastiaanssen W.G.M., Noordman E.J.M., Pelgrum H., Davids G., Thoreson B.P., Allen R.G. SEBAL model with remotely sensed data to improve water resources management under actual field conditions. Journal of Irrigation and Drainage Engineering, 2005, 131(1): 85-93 (doi: 10.1061/(ASCE)0733-9437(2005)131:1(85)).
  • Menges R.M., Nixon P.R., Richardson A.J. Light reflectance and remote sensing of weeds in agro-nomic and horticultural crops. Weed Science, 1985, 33(4): 569-581 (doi: 10.1017/S0043174500082862).
  • Thorp K., Tian L.F. A review on remote sensing of weeds in agriculture. Precision Agriculture, 2004, 5(5): 477-508 (doi: 10.1007/s11119-004-5321-1).
  • Diker K., Heermann D. F., Bordahl M. K. Frequency analysis of yield for delineating yield response zones. Precision Agriculture, 2004, 5: 435-444 (doi: 10.1007/s11119-004-5318-9).
  • Комаров А.А., Мунтян А.Н., Суханов П.А. Выбор информативных показателей дистанционного зондирования состояния растительного покрова производственных посевов. Известия СПбГАУ, 2018, 3(52): 64-70.
  • Tahar K.N. Multi rotor UAV at different altitudes for slope mapping studies. International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences, 2015, XL-1/W4: 9-16 (doi: 10.5194/isprsarchives-XL-1-W4-9-2015). '
  • Доспехов Б.А. Методика полевого опыта. М., 1985.
  • Aggarwal C., Reddy C. Data clustering: algorithms and applications. CRC Press, Boca Raton, London, New York, 2013: 652.
  • Ghassempour S., Girosi F., Maeder A. Clustering multivariate time series using hidden Markov models. International Journal of Environmental Research and Public Health. 2014, 11(3): 27412763 (doi: 10.3390/ijerph110302741).
  • Kelley D.R., Salzberg S.L. Clustering metagenomic sequences with interpolated Markov models. BMC Bioinformatics 2010, 2(11): 544 (doi: 10.1186/1471-2105-11-544).
  • Катаев М.Ю., Бекеров А.А., Шалда П.В. Анализ трендов временных рядов вегетационного индекса NDVI. Доклады Томского ГУСУР, 2017, 20(1): 81-84 (doi: 10.21293/18180442-2017-20-1-81-84).
  • Bradley B.A. A curve fitting procedure to derive inter- annual phenologies from time series of noisy satellite NDVI data. Remote Sensing of Environment, 2007, 106(2): 137-145 (doi: 10.1016/j.rse.2006.08.002).
  • Hird J.N. Noise reduction of NDVI time series: An empirical comparison of selected techniques. Remote Sensing of Environment, 2009, 113: 248-258 (doi: 10.1016/j.rse.2008.09.003).
  • Jonsson P., Eklundh L. TIMESAT — А program for analyzing time-series of satellite sensor data. Computers & Geosciences, 2004, 30(8): 833-845 (doi: 10.1016/j.cageo.2004.05.006).
  • Комаров А.А., Комаров А.А. Перспективы использования комплексных агрохимикатов для дифференцированного их внесения в качестве средств управления ростом и развитием растений. Агрохимический вестник, 2018, 6: 34-38 (doi: 10.24411/0235-2516-2018-10057).
  • Kurtener D.A., Komarov A.A., Krueger E.D., Lavrukov M.Yu, Nayda N.M. Fuzzy multiattributive analyzes of organic-mineral fertilizer "Stimulayf" and "Humate Sodium" application for cultivation of Dracocephalum L. European Agrophysical Journal, 2014, 1(1): 14-24 (doi: 10.17830/j.eaj.2014.01.014).
  • Бекмухамедов Н.Э., Аюпов К.А., Карабкина Н.Н., Дегтярева О.В., Воротынцева В.В. Информационно-аналитическая система АГРОГИС для задач космического мониторинга зернового производства в Казахстане. Мат. четырнадцатой Всероссийской конф. «Современные проблемы дистанционного зондирования Земли из космоса». М., 2016: 328.
  • Терехов А.Г. Оценка влияния незерновых культур на спутниковый прогноз урожайности пшеницы в Северном Казахстане. Современные проблемы дистанционного зондирования Земли из космоса, 2008, 5(2): 371-375.
  • Терехов А.Г. Эмпирические зависимости между элементами продуктивности яровой пшеницы Северного Казахстана и спектральными характеристиками полей по данным EOS MODIS в сезонах 2005-2009. Современные проблемы дистанционного зондирования Земли из космоса, 2010, 7(3): 305-314.
  • Abdullaev K., Irmulatov B., Komarov А., Nugis Е. Precision agriculture in the North of Kazakhstan. Journal of Agricultural Science, 2020, 31(2): 115-121 (doi: 10.15159/jas.20.25).
  • Wang L., Liu H. An efficient method for identifying and filling surface depressions in digital elevation models for hydrologic analysis and modelling. International Journal of Geographical Information Science, 2006, 20(2): 193-213 (doi: 10.1080/13658810500433453).
  • Hengl T., Evans I.S. Mathematical and digital models of the land surface. Developments in Soil Science, 2009, 33: 31-63 (doi: 10.1016/s0166-2481(08)00002-0).
  • Лушникова Т.А. Изменение анатомических и физиологических показателей яровой мягкой пшеницы сорта Жигулевская в условиях засухи. Вестник КГУ, 2012, 3: 70-76.
Еще
Статья научная
SciUp 2024 © 2024 ©