CC BY
41
УДК / UDC 57.081.23:633.16
АВТОМАТИЗАЦИЯ ОБРАБОТКИ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ В АГРОНОМИЧЕСКИХ ИССЛЕДОВАНИЯХ
AUTOMATION OF EXPERIMENTAL DATA PROCESSING IN AGRONOMIC RESEARCH
Польшакова H.B., кандидат экономических наук, доцент Polshakova N.V., Candidate of Economic Sciences, Associate Professor E-mail: polshakovanv@yandex. ru Александрова E.B., кандидат педагогических наук, доцент Alexandrova E.V., Candidate of Pedagogical Sciences, Associate Professor
E-mail: 30Elena78@mail.ru
Волобуева T.A., кандидат экономических наук, доцент Volobueva T.A., Candidate of Economic Sciences, Associate Professor ФГБОУ ВО «Орловский государственный аграрный университет
имени H.B. Парахина», Орел, Россия Federal State Budgetary Educational Establishment of Higher Education "Orel State Agrarian University named after N.V. Parakhin", Orel, Russia
Экспериментальные исследования в агрономии являются высшей формой эмпирических методов познания влияния агротехнологических процессов на количественные и качественные показатели возделываемых сельскохозяйственных культур. Процесс познания многоэтапный и включает различные формы: наблюдение, сравнение, контроль и измерение. К основным методам агрономического исследования относятся лабораторный, вегетационный, лизиметический и полевой, которые в сочетании с наблюдениями за растениями и условиями внешней среды представляют важнейшие инструменты научной агрономии. Среди них главным является опыт в поле. Полевой опыт завершает поисковое исследование, количественно оценивает агротехнический и экономический эффект нового способа или технологии возделывания растений и дает объективные основания для внедрения научного достижения в сельскохозяйственное производство. Анализ современных методик прикладных исследований, указывает на тот факт, что построение и применение алгоритмов характерно для набора статистических методов и способов обработки данных, тогда как логика их использования в области подготовки входной информации и ее последующей обработки, а также написания отчетов с результатами анализа до сих пор не автоматизирована. В связи с этим, актуальность поставленной проблемы обусловлена высокой частотой ошибок в расчетной статистической части доказательных исследований в условиях сложной рутинной аналитики, которая занимает много времени при обработке данных представителями других отраслей науки, а также высокой стоимостью работ при обращении к специалистам, затратами на специализированное ПО. В своей работе, авторы сделали попытку привлечь внимание к имеющемуся специализированному программному обеспечению, работающему по алгоритмам, которые в аграрных научных учреждениях приняты за стандарт, например алгоритмы Б.А. Доспехова, которые привязаны к схеме закладки полевого опыта и повторения рассматриваются как фактор или алгоритмы H.A. Плохинского, разработанные для определения количественных признаков на основе многофакторного дисперсионного анализа.
Ключевые слова: полевой опыт, результативный и факторный признаки, дисперсионный анализ, метод оценки существенных разностей между средними, критерий Фишера, программная надстройка к Excel для статистической оценки и анализа результатов полевых и лабораторных опытов AgCStat.xla.
Experimental research in agronomy is the highest form of empirical methods of cognition of the influence of agrotechnological processes on quantitative and qualitative indicators of cultivated crops. The process of cognition is multi-stage and includes various forms: observation, comparison, control and measurement. The main methods of agronomic research include laboratory, vegetative, lysimetric and field, which, in combination with observations of plants and environmental conditions, represent the most important tools of scientific agronomy. Among them, the main thing is experiment in the field. Field experiment completes the exploratory research, quantifies the agrotechnical and economic effect of a new method or technology of plant cultivation and provides objective grounds for the introduction of scientific achievements in agricultural production. The analysis of modern methods of applied research indicates the fact that the construction and application of algorithms is characteristics of a set of statistical methods and methods of data processing. Meanwhile the logics of their use in the preparation of input information and its subsequent processing, as well as writing reports with the results of analysis is still not automated. In this regard, the relevance of the problem posed is due to the high frequency of errors in the calculated statistical part of evidence-based research in conditions of complex routine analytics, which takes a lot of time when processing data by representatives of other branches of science, as well as the high cost of work when contacting specialists, the cost of specialized software. In their work, the authors made an attempt to draw attention to the existing specialized software working according to algorithms that are accepted as standard in agricultural scientific institutions, for example, the algorithms of B.A. Dospekhov, which are tied to the scheme of laying field experience and repetition are considered as a factor or algorithms of N.A. Plokhinsky developed to determine quantitative characteristics based on multifactorial analysis of variance.
Key words: field experience, effective and factorial features, analysis of variance, method for estimating significant differences between averages, Fisher criterion, software add-in to Excel for statistical evaluation and analysis of the results of field and laboratory experiments AgCStat.xla.
Введение. Основным инструментом в проведении агрономических исследований является полевой опыт, который проводятся на специально выделенных полевых участках в естественных погодно-климатических условиях, и закладывается для определения влияния различных факторов на качество продукции растениеводства, урожайность возделываемых полевых культур, оценки эффективности вносимых удобрений, плодородия различных генетических горизонтов и слоев почвы и т.д. Особенностью полевого опыта является то, что возделываемое культурное растение изучается вместе со всей совокупностью факторов (почвенные, природно-климатические, агротехнические, технологические и т.п.), в очень близких или непосредственно в производственных условиях.
Результатом проведенного полевого опыта становится некоторый объем эмпирических данных, которые необходимо исследовать с помощью инструментов математической статистики. Они позволяют не только выявить количественные характеристики наблюдений и проанализировать данные полученные в ходе проведения опыта, но и на их основе планировать последующие агротехнологические мероприятия по повышению эффективности возделывания полевых культур.
Цель исследования - выявить степень влияния различных видов удобрений на высоту растений и количество продуктивных стеблей, определить методом дисперсионного однофакторного анализа наименьшую существенную разность между средними значениями результатов эксперимента при проведении микрополевого опыта с ограниченным числом вариантов.
Условия материалы и методы. При выполнении работы использовались такие методы как: теоретические (анализ литературы по проблеме
исследования), статистические (анализ эмпирических данных методами математической и описательной статистики, анализ рассеяний по методике Б.А. Доспехова, анализ наименьшей существенной разницы при соответствующем уровне значимости). А также при обработке экспериментальных данных использовался аналитический инструментарий MS Excel, и программной надстройки к Excel для статистической оценки и анализа результатов полевых и лабораторных опытов AgCStat.xla, разработанной П.П. Гончар-Зайкиным и В.Г. Чертовым в филиале Федерального государственного бюджетного научного учреждения «Федеральный научный центр овощеводства» и аналитической программы AnalyStat.
Постановка задачи и экспериментальная часть. В работе проводится анализ влияния комплексных удобрений на рост и развитие ярового ячменя.
Полевой опыт. Площадь каждой делянки составила 66,6 м2 Количество вариантов - 5. Повторность опыта - трехкратная.
Схема опыта:
Первый - контрольный вариант.
Второй - жидкое комплексные удобрение (ЖКУ 11:37 100 кг/га).
Третий вариант - аммофос 12:52 71 кг/га
Четвертый вариант - комплексное удобрение с бором (NPK 15-15-15 + В 246 кг/га).
Пятый вариант - сульфоаммофос NP(S) 14:40(7) 93 кг/га
Продолжительность эксперимента - 86 дней.
Статистический анализ проводили с помощью аналитической программы AnalyStat.
Результаты и обсуждение. Практическая значимость исследования заключается в анализе результатов полевого опыта по выращиванию сельскохозяйственных культур на примере ячменя; выработке рекомендаций по использованию и применению видов удобрений, на основе полученных данных путем однофакторного дисперсионного анализа.
Первые три недели контрольные растения почти не отставали в длине, от растений, получавших только азот. Однако, затем отставание в росте статистически значимо замедлилось. Растения, получавшие полноценное питание (NS+NPK) уже с первых дней жизни статистически значимо опережают в длине контрольные растения. В первый месяц эксперимента, растение, удобренные NPK удобрениями, показали лучшую динамику роста, чем растения, получившие питание из NS удобрения, внесенного в том же количестве по весу. Однако, через 2 месяца эксперимента ситуация изменилась в пользу NS (рис. 1).
Растения, получавшие только азотное питание, не продемонстрировали статистически значимой разницы в весе, в сравнении с контролем на протяжении всего эксперимента. При этом, растения, получавшие комплексное питание (варианты 3 и 4), демонстрировали существенную прибавку как в сыром, так и в сухом весе, на протяжении всего эксперимента (рис. 2 и 3). Однако, между этими вариантами, статистическая разница не наблюдалась. Через два месяца эксперимента, наблюдалось снижение сырого веса в контрольном варианте и варианте с NS (1 и 2 варианте), статистический анализ показал, что снижение сырого веса было незначительным в варианте с NS и значительным в контрольном варианте. По-видимому, это связано с отмиранием нижних листьев у растений в данных вариантах, что нашло визуальное подтверждение.
контрольный вариант
—•— жидкое
комплексные
удобрение
аммофос
- комплексное удобрение с бором
- сульфоаммофос
Время от посева, дни
Рисунок 1 - Изменение высоты растений в разных условиях питания
2500
контрольный вариант
- жидкое комплексные удобрение аммофос
- комплексное удобрение с бором -сульфоаммофос
Время от посева, дни
Рисунок 2 - Изменение показателя сырой биомассы от применяемых
удобрений (мг/растений)
500
450
400
ь 350
га
ф 300
«)
о
1. 250
о
ф
ш 200
150
100
50
0
♦ сухой вес побега, мг
— А — контрольный Здриэнт
—К — жидкое
комплексные
удобрение
аммофос
- комплексное удобрение с бором
сульфоаммофос
Время от посева, дни
Рисунок 3 - Изменение показателей сухой биомассы от применяемых
удобрений (мг/растений)
Влияние различных видов удобрений на высоту растений (см). По
результатам полевого опыта были получены следующие данные по высоте растений сельскохозяйственной культуры ячменя (табл.).
Таблица - Данные экспериментальных исследований по высоте ячменя (пять вариантов по три повторения)_
№ варианта высота растений, см № варианта высота растений, см
1повт 2 повт 3 повт 1повт 2 повт 3 повт
1 58 1 43 1 54 1 53 1 1 53 1
2 59 2 56 2 50 2 49 2 2 49 2
3 58 3 44 3 49 3 58 3 3 58 3
4 56 4 42 4 53 4 56 4 4 56 4
1 5 55 5 38 5 50 2 5 47 5 5 47 5
6 32 6 46 6 54 6 54 6 6 54 6
7 57 7 51 7 51 7 65 7 7 65 7
8 56 8 50 8 50 8 46 8 8 46 8
9 54 9 46 9 50 9 55 9 9 55 9
10 62 10 46 10 52 10 55 10 10 55 10
№ варианта высота растений, см
1повт 2 повт 3 повт 1повт 2 повт 3 повт
1 52 1 45 1 54 1 51 1 70 1 54
2 54 2 58 2 51 2 57 2 63 2 53
3 59 3 46 3 53 3 55 3 60 3 47
4 55 4 56 4 36 4 48 4 61 4 42
3 5 56 5 52 5 55 4 5 57 5 65 5 43
6 54 6 57 6 51 6 51 6 69 6 53
7 62 7 52 7 54 7 55 7 64 7 53
8 63 8 55 8 53 8 56 8 61 8 57
9 9 9 54 9 43 9 67 9 62
10 10 10 10 10 10 59
№ варианта высота растений, см
1повт 2 повт 3 повт
1 61 1 53 1 46
2 54 2 48 2 40
3 54 3 52 3 42
4 58 4 49 4 49
5 5 51 5 51 5 46
6 61 6 48 6 55
7 56 7 44 7 50
8 61 8 51 8 49
9 57 9 47 9 48
10 50 10 48 10
Обработку результатов опыта осуществляем с помощью пакета MS Excel с использованием надстройки AgCStat.xla. Исходные данные заносим в структурированные таблицы для работы с надстройкой AgCStat.xla: у нас 5 вариантов наблюдений по 30 элементов в каждом (рис. 4). Результирующим показателем является высота растений ячменя в данном полевом опыте.
Выдвигаем гипотезу: в однофакторном дисперсионном анализе это гипотеза о не влиянии фактора А. Таким образом, гипотеза Н0: фактор А не оказывает влияние на результирующий показатель, то есть на высоту растений.
1 1 2
2 Вари Повторения Вари повторения
3 анты 1 2 3 анты А Б 8
4 а 58 43 54 а 53 41 53
5 б 59 56 50 б 49 55 53
6 в 58 44 49 в 58 61 54
7 г 56 42 53 г 56 50' 48
8 Д 55 38 50 А 47 60 50
9 е 32 46 54 е 54 53 33
10 ж 57 51 51 ж 65 40 47
11 3 56 50 50 3 46 50 49
12 и 54 46 50 и 55 62 50
13 к 62 46 52 к 55 46 44
Вари повторения
А Б В
а 52 45 54
б 54 58 51
в 59 46 53
г 55 56 36
А 56 52 55
е 54 57 51
ж 62 52 54
3 63 55 53
и 52 54
к 52 52 52
20 j_
21 Д_
повторения
Вари повторения
А Б В
а 61 53 46
6 54 48 40
в 54 52 42
г 58 49 49
А 51 51 46
е 61 48 55
ж 56 44 50
3 61 51 49
И 57 47 48
к 50 48 40
Рисунок 4 - Данные экспериментальных исследований по высоте ячменя, структурированные в MS Excel для анализа
Далее приступаем непосредственно к расчетам. Для этого подключаем надстройку AgCStat.xIa а выбираем Однофакторный дисперсионный анализ полевого опыта по Б.А. Доспехову (рис. 5).
с/х статистика X
Список доступных методов
Примеры подготовки входных данных Таб.знач.Критерия Стьюдента Таб.знач.Критерий Фишера Вычисление статистик выборки Восстановление выпавших данных
Однофакторный дисперсионныи анализ полевого опыта по Б.А. Доспехову
Однофакторный дисперсионныи анализ по H.A. Плохинскому ДвухФакторный дисперсионный анализ полевого опыта
ДвухФакторный дисперсионный анализ не равномерного комплекса го Плохинскому
ТрехФакторный дисперсионный анализ.СНИИСХ гр.мод
Дисперсионный анализ качественных признаков по H.A. Плохинскому
Парная корреляция и регрессия
Оценка Разности Средних го критерию Стьюдента
Рисунок 5 - Диалоговое окно надстройки AgCStat.xla
В открывшимся диалоговом окне устанавливаем необходимые параметры для каждой отдельной таблицы (рис. 6).
Однофакторный Дисперсионный Анализ по Б.А.Доспехову X
,— Опыт в вегетационных сосудах или полная рандомизация повторений
Диапазон входной таблицы, включая названия строк и столбцов
И И
Диапазон данных, включая названия вариантов(строи)
Результаты <~ На новый лист (• На текущем листе Диапазон результата I Лист1!$0$26
| Лист1!5Р$15:$1$26
Рисунок 6 - Диалоговое окно выбора данных в надстройке АдС81а1х1а
После определения Диапазона данных и Диапазона результатов получаем искомые значения (рис. 7).
Результаты анализа
Результаты анализа
Вариант Кол-во Среднее Дисперсия Ср.кв.откл. Ошибка Точность% Вариант Кол-во Среднее Дисперсия Ср.кв.откл. Ошибка Точность%
а 3 50,3333321 22,333334 4,7258158 2,72845 5,420764 а 3 49 48 6,9282031 4 8,1632652
б 3 54,3333321 12,333333 3,5118845 2,02759 3,731756 б 3 52,3333321 9,333333 3,0550504 1,76383 3,3703837
в 3 52,6666679 42,333332 6,5064068 3,75648 7,1325488 в 3 57,6666679 12,333333 3,5118845 2,02759 3,5160475
г ~ 3 49 127 11,269427 6,50641 13,278381 г 3 51,3333321 17,333334 4,163332 2,4037 4,6825342
Д 3 54,3333321 4,3333335 2,081666 1,20185 2,2119946 Д 3 52,3333321 46,333332 6,806859 3,92994 7,5094433
е 3 54 9 3 1,73205 3,2075014 е 3 46,6666679 140,33333 11,846237 6,83943 14,655918
ж 3 56 28 5,2915025 3,05505 5,4554472 ж 3 50,6666679 166,33333 12,897028 7,4461 14,696255
3 3 57 28 5,2915025 3,05505 5,3597374 3 3 48,3333321 4,3333335 2,081666 1,20185 2,486587
и 3 52,6666679 1,3333334 1,1547005 0,66667 1,2658226 и 3 55,6666679 36,333332 6,0277138 3,4801 6,2516804
к 3 52 0 0 0 0 к 3 48,3333321 34,333332 5,8594651 3,38296 6,9992352
По опыту 30 53,2333336 24,46092 4,9457984 0,90298 1,6962589 По опыту 30 51,2333336 46,529884 6,8212819 1,24539 2,4308197
Источ.вариации Сумма кв. ст.свободы Дисперсия Рфакт Ргаб095. Влияние % Источ. вариации Сумма кв. ст.свободы Дисперсия Рфакт Ргаб095. Влияние %
Общее 709,3666 29 100 Общее 1349,367 29 100
Повторений 113,8668 2 16,051893 Повторений
Вариантов 160,0333 9 17,781481 0,7349971 3 22,56003 Вариантов 319,3667 9 35,485191 0,6890329 2,9 23,667898
Случайное 435,4666 18 24,192587 61,388077 Случайное 1030 20 51,499992 76,3321
Ош.ср.= 2,83975267 Точ.опытаЙ 5,3345385 Ош. разн 4,0040512 Ош.ср.= 4,14326763 Точ.опытаЗ* 8,0870543 Ош. разн 5,8420072
Кр.Стьюде 2,0999999 НСР= 8,4085073 Кр.Стьюде 2,0999999 НСР= 12,268214
В опыте НЕ выявлено СУЩЕСТВЕННЫХ различий вариантов!
опыт № Результаты анализа Вариант Кол-во Среднее Дисперсия 1 Ср.кв.откл. Ошибка Точность%
а 3 50,3333321 22,333334 4,7258158 2,72845 5,420764
б 3 54,3333321 12,333333 в 3 52,6666679 42,333332 г 3 49 127 д 3 54,3333321 4,3333335 е 3 54 9 3,5118845 2,02759 3,731756 6,5064068 3,75648 7,1325488 11,269427 6,50641 13,278381 2,081666 1,20185 2,2119946 3 1,73205 3,2075014
ж 3 56 28 з 3 57 28 и 3 52,6666679 1,3333334 к 3 52 0 По опыту 30 53,2333336 24,46092 5,2915025 3,05505 5,4554472 5,2915025 3,05505 5,3597374 1,1547005 0,66667 1,2658226 0 0 0 4,9457984 0,90298 1,6962589
Источ.вариации Сумма кв. ст.свободы Дисперсия Рфакт Ртаб095. Влияние %
Общее 709,3666 29 100
Повторений 113,8668 2 Вариантов 160,0333 9 17,781481 Случайное 435,4666 18 24,192587 16,051893 0,7349971 3 22,56003 61,388077
Ош.ср.= 2,83975267 Точ.опытам 5,3345385 Ош. разн 4,0040512
Кр.Стьюде 2,0999999 НСР= 8,4085073
В опыте НЕ выявлено СУЩЕСТВЕННЫХ различий вариантов!
ОПЫТ № 2
| Результаты анализа______1
Вариант Кол-во Среднее Дисперсия Ср.кв.откл. Ошибка Точность%
а 3 58,3333321 104,33334 10,214369 5,89727 10,109604
б 3 57,6666679 25,333334 5,0332232 2,90593 5,0391893
в 3 54 43 6,5574384 3,78594 7,0109978
г 3 50,3333321 94,333336 9,7125349 5,60753 11,140797
Д 3 55 124 11,135529 6,4291 11,689274
е 3 57,6666679 97,333336 9,8657656 5,696 9,8774605
ж 3 57,3333321 34,333332 5,8594651 3,38296 5,9005179
3 3 58 7 2,6457512 1,52753 2,6336641
и 3 57,3333321 160,33333 12,66228 7,31057 12,750996
к 3 48,3333321 85,333336 9,2376041 5,33333 11,034482
По опыту 30 55,4000015 64,937927 8,0584068 1,47126 2,6556985
Источ.вариации Сумма кв. ст.свободы Дисперсия Рфакт Рта6095. Влияние %
Общее 1883,2 29 100
Повторений 716,6 2 38,052254
Вариантов 332,5334 9 36,948158 0,7973786 3 17,657892
Случайное 834,0665 18 46,337029 44,289856
Ош.ср.= 3,93009877 Точ.опыта0/! 7,0940413 Ош. разн 5,5414395
Кр.Стьюде 2,0999999 НСР= 11,637022
В опыте НЕ выявлено СУЩЕСТВЕННЫХ различий вар!> 1антов!
опыт № 3
опыт № 4
Результаты анализа
Вариант Кол-во Среднее Дисперсия Ср.кв.откл. Ошибка Точность%
а 3 53,3333321 56,333332 7,5055532 4,33333 8,125
б 3 47,3333321 49,333332 7,0237689 4,05517 8,5672712
6 3 49,3333321 41,333332 6,4291005 3,71184 7,5240064
г 3 52 27 5,1961522 3 5,7692304
Д 3 49,3333321 8,333333 2,8867512 1,66667 3,3783784
е 3 54,6666679 42,333332 6,5064068 3,75648 6,8716016
ж 3 50 36 6 3,4641 6,9282031
3 3 53,6666679 41,333332 6,4291005 3,71184 6,9164777
и 3 50,6666679 30,333334 5,5075707 3,1798 6,2759156
к 3 46 28 5,2915025 3,05505 6,6414137
По опыту 30 50,6333351 32,171265 5,6719718 1,03556 2,0452051
Источ.вариации Сумма кв. ст.свободы Дисперсия Рфакт Ртаб095. Влияние %
Общее 932,9667 29 100
Повторений 515,4666 2 55,250271
Вариантов 212,3001 9 23,588898 2,0692019 2,7 22,755377
Случайное 205,2 18 11,399998 21,99435
Ош.ср.= 1,9493587 Точ.опыта% 3,8499513 Ош. разн 2,7485957
Кр.Стьюде 2,0999999 НСР= 5,7720509
опыт № 5
Рисунок 7 - Дисперсионный анализ для опытов № 1-5
Результаты расчетов выводятся на экран.
Как видим из проведенного анализа, Критическое значение статистики при 5% уровне значимости в первом и третьем варианте равно 0,73, во втором - 0,68, в четвертом - 0,79, а в пятом - 2,069. Fфaкт < F теоретическое, следовательно, нулевая гипотеза принимается, оценку частных различий не проводят.
Таким образом, внесение всех опытных удобрений положительно сказалось на рост и развитие растений ячменя. Следовательно, можно сделать вывод, что удобрения - это основной фактор, влияющий при вегетации опытной культуры.
Выводы. В настоящее время степень проникновения приемов автоматизации в обработку результатов экспериментальных данных полученных в ходе агрономических исследований достаточно мала. Объясняется это, в первую очередь, колоссальной сложностью arpo- био- систем по сравнению с физическими объектами и техническими системами, на успешном описании которых математика заработала сегодняшнюю свою высокую репутацию. Поэтому разработка и исследование математических моделей этих систем представляется перспективным направлением, требующим совместных усилий агрономов, программистов и математиков. Статистическая обработка данных, полученных как в эксперименте, так и путем повседневного медицинского учета, необходима для проверки степени достоверности результатов, правильного их обобщения и выявления закономерностей агротехнологических процессов. Необходимо понимать, что каждый из методов математической статистики имеет свои возможности и ограниченную область применения. Только цель исследования и характер полученных данных определяют выбор математического аппарата для обработки этих данных.
БИБЛИОГРАФИЯ
1. Лойко В.И., Ткаченко В.В., Лытнев H.H. Модели и методика оценки технологий сельскохозяйственного производства (на примере растениеводства): программная реализация и основные результаты // Научный журнал КубГАУ 2017. № 134. URL: https://cyberleninka.ru/article/n/modeli-i-metodika-otsenki-tehnologiy-selskohozyaystvennogo-proizvodstva-na-primere-rastenievodstva-programmnaya-realizatsiya-i (дата обращения: 07.01.2021).
2. Платонов В.А., Чудновский А.Ф. Моделирование агрометеорологических условий и оптимизация агротехники: (АСУ ТП в земледелии). Л.: Гидрометеоиздат, 1984. 280 с.
3. Ткаченко В. В. Система поддержки принятия решений управления экономическими параметрами в растениеводстве // Научный журнал КубГАУ. 2008. № 44. URL: https://cyberleninka.ru/article/n/sistema-podderzhki-prinyatiya-resheniy-upravleniya-ekonomicheskimi-parametrami-v-rastenievodstve (дата обращения: 25.12.2020).
4. Информационные системы управления производственной компанией / под редакцией H.H. Лычкиной. М.: Издательство Юрайт, 2019. 249 с.
5. Проектирование оптимальной отраслевой структуры производства в сельскохозяйственных предприятиях / H.H. Петренко, Т.Н. Соловьева, А.П. Волобуев, Л.Ф. Масловская. Курск: Изд-во КГСХА, 2003. 110 с.
6. Волков С.Н. Землеустройство. Экономико-математические методы и модели. Т.4. М.: Колос, 2001. 696 с.
7. Кравченко Р.Г. Математическое моделирование экономических процессов в сельском хозяйстве. М.: Колос, 1978. 424 с.
8. Рекомендации по регулированию почвенно-гидрологических процессов на пахотных землях / В.П. Герасименко [и др.]. Под ред. В.М. Володина. Курск: «Издательский центр «ЮМЭКС», 2000. 105 с.
9. Кирюшин В.И. Экологизация земледелия и технологическая политика. М.: Изд-во МСХА, 2000. 473 с.
10. Ohm H.W. Response of 21 Oat Cultivars to Nitrogen Fertilization. Agronomy Journal. 1976. Vol. 68. № 5. P. 773-775.
11. Технология неорганических веществ и минеральных удобрений / Е.Я. Мельников, В.П. Салтанова, A.M. Наумова, Ж.С. Блинова. М.: Химия, 1983. 432 c.
12. Третьяков H.H. Практикум по физиологии растений. М.: Агропром-издат, 1990. 27 с.
13. Хорошкин А.Б. Применение прогрессивных технологий минерального питания растений // Сб. материалов. Краснодар: Издательство Stadtgespraech, 2006.
REFERENCES
1. Loyko V.l., Tkachenko V.V., Lytnev N.N. Modeli i metodika otsenki tekhnologiy sel'skokhozyaystvennogo proizvodstva (na primere rastenievodstva): programmnaya realizatsiya i osnovnye rezul'taty // Nauchniy zhurnal KubGAU 2017. № 134. URL: https://cyberleninka.ru/article/n/modeli-i-metodika-otsenki-tehnologiy-selskohozyaystvennogo-proizvodstva-na-primere-rastenievodstva-programmnaya-realizatsiya-i (data obrashcheniya: 07.01.2021).
2. Platonov V.A., Chudnovskiy A.F. Modelirovanie agrometeorologicheskikh usloviy i optimizatsiya agrotekhniki: (ASU TP v zemledelii). L.: Gidrometeoizdat, 1984. 280 s.
3. Tkachenko V.V. Sistema podderzhki prinyatiya resheniy upravleniya ekonomicheskimi parametrami v rastenievodstve // Nauchniy zhurnal KubGAU. 2008. № 44. URL: https://cyberleninka.ru/article/n/sistema-podderzhki-prinyatiya-resheniy-upravleniya-ekonomicheskimi-parametrami-v-rastenievodstve (data obrashcheniya: 25.12.2020).
4. Informatsionnye sistemy upravleniya proizvodstvennoy kompaniey / pod redaktsiey N. N. Lychkinoy. M.: Izdatel'stvo Yurayt, 2019. 249 s.
5. Proektirovanie optimal'noy otraslevoy struktury proizvodstva v sel'skokhozyaystvennykh predpriyatiyakh / N.N. Petrenko, T.N. Solov'eva, A.P. Volobuev, L.F. Maslovskaya. Kursk: lzd-vo KGSKhA, 2003. 110 s.
6. Volkov S.N. Zemleustroystvo. Ekonomiko-matematicheskie metody i modeli. T.4. M.:Kolos, 2001. 696 s.
7. Kravchenko R.G. Matematicheskoe modelirovanie ekonomicheskikh protsessov v sel'skom khozyaystve. M.: Kolos, 1978. 424 s.
8. Rekomendatsii po regulirovaniyu pochvenno-gidrologicheskikh protsessov na pakhotnykh zemlyakh / V.P. Gerasimenko [i dr.]. Pod red. V.M. Volodina. Kursk: «Izdatel'skiy tsentr «YuMEKS», 2000. 105 s.
9. Kiryushin V.l. Ekologizatsiya zemledeliya i tekhnologicheskaya politika. M.: lzd-vo MSKhA, 2000. 473 s.
10. Ohm H.W. Response of 21 Oat Cultivars to Nitrogen Fertilization. Agronomy Journal. 1976. Vol. 68. № 5. P. 773-775.
11. Tekhnologiya neorganicheskikh veshchestv i mineral'nykh udobreniy / E.Ya. Mel'nikov, V.P. Saltanova, A.M. Naumova, Zh.S. Blinova. M.: Khimiya, 1983. 432 c.
12. Tret'yakov N.N. Praktikum po fiziologii rasteniy. M.: Agroprom-izdat, 1990. 27 s.
13. Khoroshkin A.B. Primenenie progressivnykh tekhnologiy mineral'nogo pitaniya rasteniy // Sb. materialov. Krasnodar: Izdatel'stvo Stadtgespraech, 2006.
