CC BY
11
22. Wang X., Liu X., Li J. Greenhouse gas reduction and nitrogen conservation during manure composting by combining biochar with wood vinegar. Journal of Environmental Management. 2022. Vol. 324, 116349.
23. Miller C., Waterhouse H., Harter T., Fadel J., Meyer D. Quantifying the uncertainty in nitrogen application and groundwater nitrate leaching in manure based cropping systems. Agricultural Systems. 2020. Vol. 184(C): 1-14. DOI: 10.1016/j.agsy.2020.102877.
24. Krylov A.V., Okhtilev M.Yu., Sobolevskiy V.A., Sokolov B.V., Ushakov V.A. Metodologicheskie i metodicheskie osnovy sozdaniya i ispol'zovaniya integrirovannykh sistem podderzhki prinyatiya reshenii [Methodological and methodical bases for creating and using integrated systems of decision-making support]. Izvestiya vysshikh uchebnykh zavedenii. Priborostroenie. 2020. Vol. 63. No. 11: 963-974 (In Russian)
25. Okhtilev M.Yu., Sokolov B.V., Yusupov R.M., Styskin M.M., Gao Un.-D. Kontseptsiya i tekhnologii proaktivnogo upravleniya zhiznennym tsiklom izdelii [Concept and technologies of proactive management of product life cycle]. Izvestiya vysshikh uchebnykh zavedenii. Priborostroenie. 2020. Vol. 63. No. 2: 187-190 (In Russian)
УДК 623.746.4-519: 57.087: 633.412
БИОИНДИКАЦИОННАЯ ОЦЕНКА СОСТОЯНИЯ АГРОЭКОСИСТЕМЫ СВЕКОЛЬНОГО ПОЛЯ В ОРГАНИЧЕСКОМ СЕВООБОРОТЕ С ИСПОЛЬЗОВАНИЕМ МУЛЬТИСПЕКТРАЛЬНОЙ СЪЕМКИ
С.А. Ракутько, д-р техн.наук; А.Е. Маркова, канд. с.-х. наук;
А.П. Мишанов; Е.Н. Ракутько; E.A. Мурзаев
Институт агроинженерных и экологических проблем сельскохозяйственного производства (ИАЭП) - филиал ФГБНУ ФНАЦ ВИМ, Санкт-Петербург, Россия
Использование мультиспектральной камеры при аэросъемке с беспилотного летающего судна открывает широкие перспективы для оценки состояния агроэкосистемы. Получаемые изображения требуют обработки при помощьи специализированного программного обеспечения. В данном исследовании мы оценили возможность анализа результатов мультиспектральной съемки с помощью распространенной программы ImageJ на примере свекольного поля в органическом севообороте. Эксперимент проводили в сезон 2022 г. на опытном поле ИАЭП. Варианты опыта заключались в различных дозах органического удобрения «БИАГУМ» (0, 80 и 160 кг га-1), внесенных перед посевом. Все биометрические параметры растений свеклы определяли на 104-й день после посева. Снимки поля получали с помощью квадрокоптера DJI Phantom IV Multispectral RTK. Снимки преобразовывали в отдельных спектральных диапазонах в стек и по интенсивности серого выделяемых групп пикселей определяли коэффициенты отражения листьев свеклы в этих диапазонах. По полученным значениям рассчитывали стандартные вегетационные индексы NDVI, NDRE, GNDVI, RVI и GRVI. Было найдено, что при увеличении дозы азота от нуля до 160 кгга-1 симбатно изменяется масса растения свеклы в целом на 58%, масса корнеплода - на 49%, его
18
средний диаметр - на 17% и длина - на 15%, масса листьев - на 77%, длина наибольшего листа - на 24%, а содержание хлорофилла в листьях - на 9%. Соотношение массы надземных и подземных органов остается на уровне 0,65-0,71 отн. ед., что свидетельствует о стабильности развития растения независимо от применяемой в эксперименте дозы азота. Увеличение урожайности при этом оценено величиной 20%. Влияние дозы вносимого азота на величины вегетационных индексов не выявлено. Разработанная методика является удобным средством обработки результатов мультиспектральной съемки при биоиндикации агроэкосистемы.
Ключевые слова: агроэкосистема, органическое сельское хозяйство, столовая свекла, биоиндикация, беспилотное воздушное судно, аэрофотосъемка, мультиспектральная камера, 1ша§е1, вегетационный индекс, КОУ1.
Для цитирования: Ракутько С.А., Мишанов А.П., Ракутько Е.Н., Маркова А.Е., Мурзаев Е.А. Биоиндикационная оценка состояния агроэкосистемы свекольного поля в органическом севообороте с использованием мультиспектральной съемки // АгроЭкоИнженерия. 2022. № 4 (113). С.18-36
BIOINDICATIVE ASSESSMENT OF THE BEET FIELD AGROECOSYSTEM IN ORGANIC CROP ROTATION WITH MULTISPECTRAL PHOTOGRAPHY
Institute for Engineering and Environmental Problems in Agricultural Production (IEEP) - branch of FSAC VIM, Saint Petersburg, Russia
The use of a multispectral camera for aerial photography from an unmanned aerial vehicle opens up broad prospects for assessing the state of the agroecosystem. The obtained images require processing with special software. In this study, we evaluated the possibility of analyzing the results of a multispectral photography with the common program ImageJ on the example of a table beet field in an organic crop rotation. The experiment was carried out in the growing season of 2022 on the IEEP experimental field. The experiment variants differed in the doses of organic fertilizer "BIAGUM" (0. 80 and 160 kg.ha-1) applied before seeding. All biometric parameters of beet plants were measured on the 104* day after seeding. Field images were taken with DJI Phantom IV Multispectral RTK drone. The images in separate spectral bands were converted into a stack, and the reflection coefficients of beet leaves in these bands were determined using the gray intensity of the selected pixel groups. The obtained values were used to calculate the standard vegetation indices NDVI, NDRE, GNDVI, RVI, and GRVI. It was found that with an increase in the nitrogen dose from zero to 160 kg.ha-1, the overall mass of the beet plant changed symbatically by 58%, the root mass - by 49%, its mean diameter - by 17% and length - by 15%, the leaf mass - by 77%, the length of the largest leaf - by 24%, and the chlorophyll content of the leaves - by 9%. The shoot-root ratio remained at the level of 0.65 to 0.71 relative units. This indicated the plant developmental stability regardless of the nitrogen dose applied in the experiment. The increase in yield in this case was estimated at 20%. The effect of the applied nitrogen dose on the values of vegetation indices
S.A. Rakutko, DSc (Engineering), A.P. Mishanov, E.N. Rakutko,
A.E. Markova, Cand. Sc. (Agriculture), Е.А. Murzaev
was not revealed. The developed technique is a convenient tool for processing the results of multispectral photography for bioindication of an agroecosystem.
Key words: agroecosystem, organic agriculture, table beet, bioindication, unmanned aerial vehicle, aerial photography, multispectral camera, ImageJ, vegetation index, NDVI
For citation: Rakutko S.A., Mishanov A.P., Rakutko E.N., Markova A.E., Murzaev E.A. Bioindicative assessment of the beet field agroecosystem in organic crop rotation with multispectral photography. AgroEkoInzheneriya. 2022. No. 4 (113): 18-36 (In Russian)
Введение. Аграрный сектор в настоящее время сталкивается с рядом проблем, среди которых важнейшей является
экологическая. Из новых технологий применение аэросъемки с беспилотного воздушного судна (БВС) является одним из перспективных нововведений.
Предоставляемые этой технологией возможности определяют ее быстрое внедрение в сельском хозяйстве [1]. Эта технология, позволяющая получить оптические изображения объектов в отдельных спектральных диапазонах, является важнейшим аспектом
цифровизации сельского хозяйства [2]. Беспилотные системы находят широчайшее применение. Например, в сочетании с мультиспектральной съемкой они являются эффективным методом оценки и мониторинга действия вредителей на сельскохозяйственные угодья [3].
При оценке состояния агроэкосистем применение методов биоиндикации позволяет исследовать воздействие изменяющихся экологических факторов на различные характеристики биологических объектов и систем. В качестве тестовых могут быть приняты те растения, которые выращиваются в данной в агроэкосистеме
[4].
Эксперименты с отдельными видами травянистых растений показали, что их морфология в зависимости от условий окружающей среды, в частности, формируемой различной степенью
антропогенной нагрузки, характеризуется кратно различающимися значениями таких параметров, как площадь, периметр и показатели формы листа. Выявлено, что цветовые параметры у листовых пластинок различных видов растений изменяются в существенно меньшем диапазоне, однако они так же могут быть применены при биоиндикации уровня антропогенной нагрузки [5].
Электромагнитная энергия
взаимодействует с растительностью по-разному в зависимости от длины волны. В красной зоне спектра расположен максимум поглощения хлорофиллом солнечной радиации. Клеточная структура листа больше отражается в длинноволновом диапазоне. Таким образом, растительность с большой фитомассой (и более высокой фотосинтетической активностью) имеет более низкие значения коэффициентов отражения в красной зоне спектра и более высокие в ближней инфракрасной. Эти различия позволяют провести анализ состояния здоровья растений и состояния биомассы методами дистанционного зондирования по коэффициентам отражения полога, учитываемым вегетационными индексами (ВИ). По полученным мультиспектральным изображениям
возможно определение значения ВИ для всего поля за один пролет БВС [6].
Наиболее часто используется нормализованный разностный индекс вегетации (NDVI) для мониторинга стресса
от засухи и прогнозирования управления растениеводством [7]. Оценки биомассы и NDVI in situ отнимают много времени и требуют дорогостоящего отбора проб и анализов. Поэтому при наземных измерениях обычно ограничиваются небольшим числом точек отбора проб на поле. Таким образом, оценка NDVI и надземной биомассы на основе анализа изображений получаемых с помощью БВС, является хорошей альтернативой наземным измерениям. Для растительного покрова корреляция между густотой растительности и этим индексом R =0,86 [8].
Индекс NDVI уже давно используется в качестве косвенного измерения биомассы и урожайности сельскохозяйственных культур [9]. При оценки урожая пшеницы
наилучшие результаты имели R = 0,79 [10].
^ 2 Найдена сильная корреляция
(R2 = 0,84)
между наземным и дистанционным, на основе анализа мультиспектральных изображений, методами определения NDVI при различных дозах азота у пшеницы [11]. В других исследованиях связи между NDVI и урожайностью пшеницы выявили очень тесную корреляцию между ними R =0,83 [12]. Для картофеля получена прогностическая модель с R2= 0,90 [13]. Использование ВИ позволяет выявить участки с хорошим развитием культур и участки с плохим состоянием растительности для построения цифровых моделей рельефа [14].
Среди других сельскохозяйственных культур, важное место занимает свекла обыкновенная (Beta vulgaris L.), относящаяся к подсемейству
Chenopodioideae, которое включает столовую свеклу, сахарную свеклу и кормовую свеклу. Столовая свекла широко используется в пищевой промышленности и богата витаминами [15]. Оптимальная плотность размещения растений
обеспечивает им достаточное количество воды и света, повышая тем самым эффективность фотосинтеза и урожайности столовой свеклы [16].
Большое влияние на среду выращивания свеклы и, в конечном счете, на ее урожайность оказывают агротехнические методы, прежде всего, использование удобрений [17]. Большинство фермеров для повышения урожайности применяют азотные удобрения. Азот является одним из наиболее важных питательных веществ для обеспечения роста растений и урожайности [18]. Он входит в состав белков, ферментов и витаминов в растениях, а также многих структурных, генетических и
метаболических соединений (в том числе хлорофилла) в растительных клетках и необходим для производства растительной биомассы [19].
Влиянию различных норм внесения азотных удобрений под свеклу посвящено множество исследований. Недостаточное азотное питание может снизить содержание азота в растениях, что сказывается на качестве и количестве продукции. Избыток азота может привести к задержке созревания, нарушению равновесия между надземной и подземной частями растения, снижению роста и урожайности [20]. Обнаружено, что повышение уровня азотных удобрений вызывало значительные различия в урожайности и качестве свеклы [21]. По мере повышения дозы вносимого азотного удобрения значительно
увеличились рост, урожайность и ее компоненты [22]. Проведены исследования, оптимизирующие плотность посадки свеклы и количество вносимого азота [23]. Содержание азота в почве увеличивает рост свеклы, который в итоге приводит к повышению ее урожайности. Размер корнеплода зависит от дозы азота и густоты посадки, влияющей на конкуренцию
растений за питательные вещества, воду и свет [24].
В настоящее время центр тяжести в растениеводстве переносится на получение экологически чистой продукции с применением органических удобрений для восполнения плодородия почвы [25]. В этих условиях вопросы оценки состояния агроэкосистем приобретают еще большую значимость. Биоиндикационная оценка состояния агроэкосистемы должна являться важной частью информационно-
аналитической программной платформы (ИАПП) прогнозирования и управления, обеспечивающих экологическую
устойчивость производства [26].
Непосредственно получаемые при мультиспектральной аэрофотосъемке
данные визуально мало информативны и требуют применения специализированного программного обеспечения (ПО). Существует множество средств с различными функциональными
особенностями, обеспечивающими
обработку данных дистанционного зондирования полей. Из них можно отметить Pix4D, Agisoft Metashape, Reality Capture, DroneDeploy. Все они позволяют рассчитать вегетационные индексы и построить карту их распределения по поверхности поля [27]. Несмотря на широкие возможности, предоставляемые этим ПО, его применение в некоторых случаях может быть неудобным, а обеспечиваемый функционал - избыточным. Так, для точечного определения оптических свойств посевов нет необходимости в построении карты распределения этих параметров по полю. Более важным является возможность анализа
мультиспектральной информации,
предоставляемой неспециализированными программами широкого применения, не
требующими, к тому же, мощных вычислительных средств.
Целью настоящего исследования является выявление возможности анализа данных с мультиспектральной камеры без применения специализированного ПО.
Задачи:
1) Разработать методику получения и обработки мультиспектральной информации программными средствами общего назначения;
2) для свекольного поля получить биометрические данные растений на момент их уборки и результаты мультиспектральной съемки поля с БЛС;
3) Выявить взаимосвязь между вегетационными индексами и дозой удобрения, вносимого под свеклу.
Материалы и методы
Организация эксперимента.
Материалом для исследований являлись растения столовой свеклы сорта «Двусемянная ТСХА» среднего срока созревания. Листья растения имеют гладкую поверхность зеленой и темно-зеленой окраски, образуют полуприподнятую и стоячую розетку, крепятся на черешках темно-красного и фиолетового цвета. Корнеплоды на 2/3 погружены в почву, имеют гладкую поверхность и темно-красный цвет. Урожайность составляет 4.05.2 кг'м- [28]. Сорт районирован, в том числе для Северо-Западного региона.
Исследования проводили на опытном поле ИАЭП (59°39'20.0" N 30°23'03.9" £), в схеме шестипольного органического севооборота (рис. 1).
Рис. 1. Место размещения опытного поля
Почва на поле дерново-подзолистая суглинистая окультуренная. Посев семян свеклы производили 25.05.2022 г., на гребнях с междурядиями 0,7 м (рис. 2).
Рис. 2. Экспериментальные рядки свеклы
Каждая из девяти экспериментальных делянок площадью 78,4 м включала восемь гребней длиной 14 м. Два гребня между делянками выполняли функции защитных полос. Повторность опыта трехкратная. Варианты опыта заключались в различных количествах внесенного перед посевом органического удобрения «БИАГУМ», изготовляемого в биоконвекторе на основе куриного помета, соответствующих дозам азота 0, 80 и 160 кгга-1. На всем поле в предшествующем эксперименту году это же удобрение вносилось в дозе 80 кгга-1 азота под предшественник картофель.
Погодные условия. Средние многолетние значения температуры и осадков принимали по данным отдела автоматизированных информационных систем генетических ресурсов растений Гидрометеостанции ВИР [29]. Среднемесячные температуры и осадки на опытном поле в вегетационный период 2022 г. принимали по данным метеостанции ИАЭП. Погодные условия вегетационного периода 2022 г. существенно отличались от среднемноголетних данных (рис. 3).
В мае с его пониженной относительно многолетних данных на 23% температурой количество осадков превышало многолетние значения на 37% , что привело к задержке посева свеклы. Погодные условия летних месяцев характеризовались превышением как температуры (от 17 до 30%) так и количества осадков (от 60 до 179%) от среднего многолетнего уровня. Данные по всем параметрам снимали на 104 день посева.
35 , 0 30 , 0
О 25 , 0
о ^
& 20,0 ■
& 15,0 ■ S
£ 10,05,0 0,0
300
■ 250
■ 200
■ 150
■ 100 50
Si <3
0
Май Июнь Июль Август Сентябрь
Рис. 3. Среднемесячные температуры и осадки Дистанционное измерение
коэффициентов отражения листьев свеклы производили с помощью квадрокоптера, оборудованного мультиспектральной
камерой (рис.4). Высота облета делянок составляла 24 м.
Рис. 4. Квадрокоптер DJI Phantom 4 Multispectral
Установленная на квадрокоптере камера, помимо видимого, обеспечивала съемку в следующих спектральных диапазонах:
- синий (Blue, B, 450 нм ± 16 нм): служит для отображения на снимках воды, а также для изучения дна водоёмов;
- зелёный (Green, G, 560 нм ±16 нм): используется для визуализации вегетативной активности растений и процесса их старения, важен при созревании и подготовке к сбору сельскохозяйственных культур;
- красный (Red, R, 650 нм ± 16 нм): в аграрном секторе имеет первостепенное значение для анализа качества и состояния почвы, также позволяет визуализировать на мультиспектральном снимке рукотворные объекты;
- красный край (Red Edge, RE, 730 нм ± 16 нм): в этом канале, находящемся на границе инфракрасного излучения, наиболее заметен пигмент хлорофилл, при участии которого происходит фотосинтез;
- ближний инфракрасный (Near-Infrared, NIR, 840 нм ± 26 нм); канал используется для аналогичных целей и расположен на границе видимого света и среднего инфракрасного излучения.
Монохромные изображения
сохраняются в формате tiff, 16 - бит градации серого. Интенсивность серого на снимке пропорциональна коэффициенту отражения реального объекта в данном
диапазоне. Цветное изображение сохраняется в формате jpg.
Изображения сохраняются в файлах:
DJI_NNN0 - цветное изображение;
DJI_NNN1 - диапазон B;
DJI_NNN2 - диапазон G;
DJI_NNN3 - диапазон R;
DJI_NNN4 - диапазон RE;
DJI_NNN5 - диапазон NIR,
где NNN - номер точки съемки.
В программе ImageJ с помощью инструмента Rectungular в файлах изображений в различных спектральных диапазонах по меткам противоположных углов делянок выделяли их границы. Для повышения точности используются клавиши масштабирования (+/-). Реальная точность выделения таким способом составляет несколько пикселей.
Производили обрезку изображений (Image\ Crop) и их сборку в стек (Image\ Stacks\ Images to Stack). При несовпадении размеров выделенных областей задавали метод конвертирования изображений в стек Copy (center).
Инструмент Plot Profile позволяет увидеть картину изменения величины Mean вдоль заданной пользователем на изображении траектории. Однако численное определение этой величины по данному графику затруднено (рис. 5).
290 91x1 6877 88 pixels (530x265); 8-tiit; 1Э7К
О 50 100 150 200
Distance (pixels)
List | Save | More» Live |
Рис. 5. Определение среднего значения серого по изображению с помощью инструмента Plot Profile
Поэтому более удобным является определение величины Mean по гистограмме, показывающей количество точек с данным значением этой величины.
Для этого инструментом Wand выделяли участки поверхности кроны в NIR (как наиболее ярком) спектральном диапазоне (рис. 6).
Рис. 6. Выделение участков изображения
Пролистывая изображения в стеке в соответствующих n-ых спектральных диапазонах в режиме Live считывали значение интенсивности серого (Meann) из окна Histogram (рис. 7).
Рис. 7. Определение среднего значения серого по изображению с помощью инструмента Histogram
Получаемые значения интенсивности серого пересчитывали в значения коэффициентов отражения в
соответствующих спектральных диапазонах по выражению рп= Meann /65536 и
находили значения мультиспектральных ВИ. Из всего многообразия ВИ, доступных
для дистанционного зондирования растительности, в данном исследовании выбраны нормализованный разностный ВИ (Normalized Difference VI, NDVI) [30], нормализованный разностный ВИ красного края (Normalized Difference RE, NDRE), зеленый нормализованный разностный ВИ (Green NDVI, GNDVI) [31], относительный ВИ (Ratio Vegetation Index, RVI) [32], зелено-красный ВИ (Green-Red Vegetation Index, GRVI) [33].
Обоснованием использования такого набора является тот факт, что они дают спектрально достаточную, не избыточную информацию об оптических свойствах листьев. Эти индексы характеризуют отношения между отражением листьев в отдельных спектральных диапазонах: NIR, RE, R и G. В красном и зеленом диапазонах отражение зависит от присутствия хлорофиллов, ксантофиллов и каротинов. Ближний инфракрасный спектральный диапазон характеризует внутреннюю структуру листа, палисад и губчатую паренхиму мезофилла.
NDVI принимает для растительности положительные значения, и чем больше зеленая фитомасса, тем он выше. На значения индекса влияет также видовой состав растительности, ее сомкнутость, состояние, экспозиция и угол наклона поверхности, цвет почвы под разреженной растительностью:
NDVI =
Pnir Pr
Pnir + pr
(1)
NDRE служит для определения концентрации азота в листьях путём оценки активности фотосинтеза. Используется главным образом при исследовании старых и находящихся в неудовлетворительном состоянии посевов:
NDRE =
_ Pnir
Pr
re
pnr + pre
(2)
GNDVI аналогичен NDVI, но с использованием зелёного канала вместо красного. Характеризует
фотосинтетическую активность растений и применяется для поиска насаждений, испытывающих дефицит или переизбыток влаги, также определяются растения других видов (сорняки), находящиеся на территории сельхозугодий:
GNDVI =
pnir
Pg
pnir + pg
(3)
ВУ1 принимает значения от нуля до бесконечности. Для зеленой растительности значения ЕУ1 >1 и растут с увеличением зеленой фитомассы, сомкнутости
растительности (обычно принимают значения 2-8):
RVI =
pnir
Pr
(4)
GRVI отражает сезонные изменения растительности, служит индикатором ранней фазы позеленения листьев и средней фазы осенних изменений их окраски, демонстрировать четкую реакцию на едва уловимое нарушение в экосистеме:
GRVI = Pg Pr
Pg +Pr
(5)
Наземные измерения биометрических параметров растений проводили у всех растений на выбранных участках делянок. Из-за неравномерности всходов учет вели на участках сплошного произрастания растений. Для определения урожайности учитывали массу корнеплодов, снятых с одного квадратного метра площади при выборочной уборке.
Диаметры D^ и D2 корнеплода в двух взаимно перпендикулярных направлениях и его высоту Н, см определяли с помощью штангенциркуля с точностью до ±0.1 см (рис.8).
L
Рис. 8. Измеряемые геометрические размеры корнеплода
Максимальную длину листа из розетки max, см, определяли с помощью линейки с точностью ±0,5 см. На электронных весах с точностью ±1 г фиксировали массы растения Мр, г и корнеплода Мк, г. По измеренным значениям находили расчетные показатели:
массу наземной части (листьев) Мл, г
мл = Mp - Mк;
(6)
объем корнеплода V, см , (в предположении, что его форма соответствует эллипсоиду)
V = - kDDH ; 6 1 2
плотность корнеплода р, гсм
(7)
Р =
М„
(8)
отношение массы надземной части растения (S, Shoot) к подземной (R, Root), отн.ед.
SR =
M m.
(9)
Средний диаметр D корнеплода, см D + D
Dср =
_ ' 2 .
2
(10)
компактность корнеплода v, отн.ед. H
v =
D,
(11)
ср
Для каждого варианта опыта было обмеряно порядка 130 растений.
Измерение содержания хлорофилла производили с помощью прибора CCM-200 у средних листьев розетки. На каждой делянке произвели по 40 измерений. Выдаваемый прибором индекс содержания хлорофилла в образце (Chlorophill Content Index, CCI, отн.ед.) определяется как отношение коэффициентов пропускания листа на длинах волн 931 нм (зависящей от толщины листа) и 653 нм (зависящей от концентрации хлорофилла).
Математическая обработка
полученных данных. Все статистические анализы (p < 0,05) были выполнены с использованием программ Statistica и Excel. Для всех параметров рассчитывали
описательную статистику (среднее X, стандартное отклонение ° , стандартная
ошибка среднего Sx , коэффициент
K
вариации v, доверительный интервал ÂX ). Различие средних определяли с использованием однофакторного
дисперсионного анализа (ANOVA). Корреляция при значениях коэффициента Спирмана rS < 0,3 считалась слабой, 0,3 > rS
>0,5 — умеренной, 0,5 > rS > 0,7 — заметной, 0,7 > rS > 0,9 — сильной, и rS > 0,9 как очень сильной.
Результаты и обсуждение
Несмотря на существенные отклонения зафиксированных погодных условий от среднемноголетних данных, рост и развитие растений свеклы протекали достаточно хорошо, что свидетельствует о высокой устойчивости культуры в этих фазах онтогенеза.
В таблице 1 приведены биометрические параметры растений свеклы. При увеличении дозы азота с нуля до 160 кгга-1 симбатно изменяются масса растения свеклы в целом (на 58%), масса корнеплода (на 49%), масса листьев (на 77%) и количество ботвы, характеризуемое размером максимально длинного листа (на 24%).
Размеры корнеплода (средний диаметр и длина) при увеличении дозы азота значимо увеличиваются (соответственно на 17% и 15%), что приводит к значимому увеличению объема корнеплода (на 33%). При опережающем увеличении массы корнеплода относительного его объема следовало бы ожидать увеличения плотности. Такая тенденция
просматривается, но статистически не подтверждается. Возможно, это объясняется отклонением тела корнеплода от сфероида, что приводит к смещению оценки его объема через средний диаметр и высоту.
Соотношение массы надземных и подземных органов SR при увеличении дозы азота изменяется незначимо (остается на уровне 0,65...0,71 отн.ед.). Незначимы так же изменения величины компактности корнеплода (1,05.1,10 отн.ед.), характеризующего его пропорции, что вместе с предыдущим показателем свидетельствует о стабильности развития
растения не зависимо от применяемой в эксперименте дозе азота.
Содержание хлорофилла в листьях свеклы при увеличении дозы внесенного азота увеличилось на 9%.
Принятый способ оценки урожайности по выборочной уборки растений с намеченных участков делянок не показал ее
значимых отличий в зависимости от дозы азота. Полагаем, что в этом вопросе следует опираться на увеличение массы отдельных растений и констатировать уровень урожайности свеклы на поле 4 кг.м-2 при отсутствии удобрения (последействие с предыдущего года) и ее увеличение на 20% при дозе 160 кгга-1.
Таблица 1
Биометрические параметры растений свеклы
Показатель Доза N, кг га-1
0 80 160
Масса растения M , г 378,3±56,1 548,9±63,3 598,3±58,4*
Масса корнеплода Мк, г 249,8±41,1 349,8±42,2 371,4±40,8*
Масса листьев M л, г 128,5±19,5 199,1±25,5 226,9±21,7*
Средний диаметр корнеплода Dcp, см 6,9±0,4 7,9±0,4 8,1±0,3*
Высота корнеплода H, см 7,3±0,4 8,1±0,4 8,4±0,3*
Объем корнеплода V, см 241,5±43,5 310,7±38,2 321,1±34,2*
Плотность корнеплода р, г см3 1,11±0,02 1,14±0,02 1,16±0,03
Компактность v, отн.ед. 1,10±0,04 1,05±0,04 1,05±0,04
Длина макс. листа Lmax, см 41,0±1,0 49,3±0,9 51,3±1,0*
Соотношение SR, отн.ед. 0,65±0,05 0,66±0,04 0,71±0,08
CCI, отн.ед. 19,9±1,1 18,8±1,0 21,6±1,2*
Урожайность, кгм-2 4,0±2,1 3,5±0,3 4,8±1,9
Выявлена очень сильная корреляция между массой растения M и массами
корнеплода Мк (0.98) и листьев Ыл (0.95), средним диаметром Дср (0.97) и объемом V корнеплода (0.98). Сильная корреляция обнаружена между массой корнеплода Мк и его высотой H (0.85), массой листьев Мл (0.89). Заметная корреляция наблюдается
между отношением SR и массой растения М(-0.52), массой корнеплода Мк (-0.65),
высотой корнеплода И (-0.61), его средним диаметром Дср (-0,59) и объемом V (-0.62).
Умеренная корреляция наблюдается между длиной листа Ьтах и массой корнеплода Мк (0.48), его средним диаметром Д (0.47) и объемом V (0.46). Корреляция показателя
компактности корнеплода у и его плотности р с другими показателями слабая.
Средние значения коэффициентов отражения листьев свеклы в отдельных спектральных диапазонах показаны на рис. 9.
0,8000 0,7000 0,6000 0,5000 0,4000 0,3000 0,2000 0,1000 0,0000
□ 0 И 80 И 160
I
Рис. 9. Средние значения коэффициентов отражения
Показатели описательной статистики коэффициентов отражения в отдельных спектральных диапазонах приведены в таблице 2. Отличия средних значений спектральных коэффициентов отражения для различных доз азота не выявлены. При этом значения коэффициентов вариации, как правило, не превышают 10% что вполне приемлемо для условий полевого эксперимента.
B G R RE NIR Спектральный диапазон
Таблица 2
Показатели описательной статистики коэффициентов отражения
Доза N, кг га-1 Показатель Коэффициент отражения
Рв Pg Pr Pre рnir
0 Среднее значение Х, отн.ед. 0,125 0,224 0,152 0,629 0,684
Доверительный интервал 0,006 0,017 0,009 0,035 0,028
Стандартное отклонение ° 0,012 0,032 0,017 0,064 0,051
Станд. ошибка среднего 0,003 0,008 0,004 0,017 0,013
к Коэффициент вариации у, % 9,3 14,2 11,1 10,2 7,5
80 Среднее значение Х, отн.ед. 0,131 0,238 0,155 0,623 0,705
Доверительный интервал 0,005 0,013 0,006 0,023 0,025
Стандартное отклонение а 0,009 0,024 0,012 0,043 0,046
Станд. ошибка среднего 0,002 0,006 0,003 0,011 0,012
к Коэффициент вариации у, % 7,2 10,0 7,4 6,9 6,5
160 Среднее значение Х, отн.ед. 0,129 0,238 0,155 0,635 0,691
Доверительный интервал 0,005 0,015 0,008 0,026 0,025
Стандартное отклонение ° 0,009 0,028 0,014 0,048 0,046
Станд. ошибка среднего Sx 0,002 0,007 0,004 0,012 0,012
K Коэффициент вариации v, % 7,4 11,9 9,0 7,6 6,6
В силу не значимости различий коэффициентов отражения от дозы внесенного азота, найдены средние значения ВИ для всего органического поля (табл. 3).
Таблица 3
Средние значения ВИ
NDVI 0,64±0,01
NDRE 0,05±0,01
GNDVI 0,50±0,02
RVI 4,51±0,22
GRVI 0,20±0,02
Известно, что содержание пигментов в листьях является ярким показателем состояния растения. В наших предыдущих исследованиях были выявлены сортовые отличия в содержании пигментов в листьях свеклы [34]. Однако результаты измерений оптической плотности листьев свеклы в отдельных спектральных диапазонах не выявили ее зависимости от вносимых при посадке доз азота [35].
Заключение
Растения являются чувствительными биоиндикаторами и позволяют оценивать состояние экосистемы в целом. Для агроэкосистемы такая оценка может быть проведена по целенаправленно
выращиваемой культуре. В работе
рассмотрены вопросы применения метода биоиндикации в органическом земледелии, на примере свекольного поля в системе севооборота без применения химических удобрений. Варьируемым фактором на поле являлись дозы азота, вносимого вместе с удобрением «БИАГУМ». Получены биометрические данные растений свеклы на момент уборки, значимо различающиеся для различных доз азота. По результатам мультиспектральной съемки поля с БЛС найдены вегетационные индексы NDVI, NDRE, GNDVI, RVI и GRVI. Влияние дозы вносимого азота на величины вегетационных индексов не выявлено. Разработанная методика является удобным средством обработки результатов мультиспектральной съемки при
биоиндикации агроэкосистемы.
Заявленный вклад соавторов: С.А. Ракутько - научное руководство, концепция исследования; Е.Н. Ракутько -литературный обзор, статистическая обработка, А.П. Мишанов - полевой эксперимент, первичные данные; А.Е. Маркова - консультации и обсуждение; Е.А. Мурзаев - мультиспектральная съемка.
Все авторы прочитали и одобрили окончательный вариант рукописи.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Debangshi U. Drones - Applications in Agriculture. Chronicle of Bioresource Management. 2021. Vol. 5(3), pp. 115-120. D01:10.5281/zenodo.5554734
2. Pathak H., Igathinathane C., Zhang Z., Archer D., Hendrickson J. A review of unmanned aerial vehicle-based methods for plant stand count evaluation in row crops. Computers and Electronics in Agriculture. 2022. No. 198. 107064. D0I:10.1016/j.compag.2022.107064
3. Plaza J., Sánchez N., García-Ariza C., Pérez-Sánchez R., Charfolé F., Caminero-Saldaña C. Classification of airborne multispectral imagery to quantify common vole impacts on an agricultural field. Pest management science, 2022. Vol. 78(6), pp. 2316-2323. D0I:10.1002/ps.6857
4. Ракутько Е.Н., Ракутько С.А., Цзянь Су., Ян Ма. Методы биоиндикационной оценки состояния агроэкосистем: аналитический обзор // АгроЭкоИнженерия. 2022. № 1 (110). С. 1942. D0I:10.24412/2713-2641-2022-1110-19-42
5. Ракутько С.А., Васькин А.Н., Ракутько Е.Н. Применение морфо-цветометрического анализа в биоиндикации экосистем // Известия НВ АУК. 2022. № 3(67). С. 445-458. DOI: 10.32786/2071-9485-2022-03-51.
6. Deng L., Mao Z., Li X., Hu Z., Duan F., Yan Y. UAV-based multispectral remote sensing for precision agriculture: A comparison between different cameras. ISPRS journal of photogrammetry and remote sensing. 2018. No. 146, pp. 124-136. D0I:10.1016/j.isprsjprs.2018.09.008
7. Hassan M. A., Yang M., Rasheed A. et all. A Rapid Monitoring of NDVI Across the Wheat Growth Cycle for Grain Yield Prediction Using a Multi-Spectral UAV Platform. Plant Science. 2019. Vol. 282, pp. 95-103. D0I: 10.1016/j.plantsci.2018.10.022.
8. Azalarib S.A., Hallett S., Brewer T. R. Using vegetation indices for the estimation and production of vegetation cover maps in the Jeffara Plain, Libya. IOSR Journal of Environmental Science, Toxicology and Food Technology (IOSR-JESTFT). 2018. Vol. 12, Issue 2, Ver. I, pp 2328. D0I: 10.9790/2402-1202012328
9. Kamenova I., Filchev L. Ilieva I. Review of spectral vegetation indices and methods for estimation of crop biophysical variables. Aerospace Research in Bulgaria. 2017. Vol. 29, pp. 72-82. D0I: 10.7546/AeReBu.29.18.01.06
10. Wang L., Zhou X., Zhu X. et all. Estimation of Biomass in Wheat Using Random Forest Regression Algorithm and Remote Sensing Data. The Crop Journal, 2016. Vol.4 (3), pp. 212-219. D0I: 10.1016/j.cj.2016.01.008.
11. Amorim J.G.A, Schreiber L.V., de Souza M.R. et all. Biomass estimation of spring wheat with machine learning methods using UAV-based multispectral imaging. International Journal of Remote Sensing. 2022. Vol. 43(13), pp. 1-16. D0I: 10.1080/01431161.2022.2107882
12. Gontia N.K., Tiwari, K.N. Yield estimation model and water productivity of wheat crop (Triticum aestivum) in an irrigation command using remote sensing and GIS. Journal of the Indian Society of Remote Sensing. 2011. Vol. 39(1), pp. 27-37 D0I: 10.1007/s12524-011-0065-7
13. Li B., Xu X., Zhang L. et all. Above-Ground Biomass Estimation and Yield Prediction in Potato by Using UAV-Based RGB and Hyperspectral Imaging. ISPRS Journal of Photogrammetry and Remote Sensing. 2020. Vol. 162, pp. 161-172. D0I: 10.1016/j.isprsjprs.2020.02.013.
14. Stoyanova M., Kandilarov A., Koutev V., Nitcheva O., Dobreva P. Unmanned drone multispectral imaging for assessment of wheat and oilseed rape habitus. Bulg. J. Agric. Sci., 2021. Vol. 27 (5), pp. 875-879. https://agrojournal.org/27/05-07.pdf
15. Szopinska A. A., Gaweda M. Comparison of yield and quality of red beet roots cultivated using conventional, integrated and organic method. Journal of Horticultural Research, 2013. Vol. 21, No. 1, pp. 107-114. DOI: 10.2478/johr-2013-0015
16. Freckleton R. P., Watkinson A. R., Webb D. J., Thomas T. H. Yield of beetroot in relation to weather and nutrients. Agricultural and Forest Meteorology, 1999. Vol. 93 (1), pp. 39-51. DOI: 10.1016/S0168-1923(98)00106-3.
17. Fageria N. K. Nitrogen harvest index and its association with crop yields. Journal of Plant Nutrition, 2014. Vol. 37(6), pp. 795-810. DOI: 10.1080/01904167.2014.881855
18. Salfina S. M., Martin M. M., Puffy S., Dharini S. Nitrogen application and leaf harvesting improves yield and nutritional quality of beetroot. American Society for horticultural Science, 2017. Vol. 27, No. 3, pp. 337-347. DOI: 10.21273/HORTTECH03599-16
19. Petek M., Custic M. H., Tath N., Slunjki S. Nitrogen and crude proteins in beetroot (Beta vulgaris var. conditiva) under different fertilization treatments. Notulae Botanicae Hortiagrobotanici Cluj-Napoca, 2012. Vol. 40 (2), pp. 215-219. DOI: 10.15835/nbha4027457
20. Najm A. A., Hadi S., Darzi M. T., Hadi M.H. Influence of nitrogen fertilizer and cattle manure on the vegetative growth and tuber production of potato. International Journal of Agriculture and Crop Sciences, 2013. Vol. 5, pp. 147-154. https://www.researchgate.net/publication/280114073
21. Sarhan H. M., Abdou M. A. E., Al-Sayed H. M. Effect of planting systems, plant density and nitrogen fertilizer levels on productivity and quality of sugar beet. Journal of Plant Production, 2012. Vol. 3, No. 10, pp. 2567-2580. DOI: 10.21608/jpp.2012.85003
22. Seadh S. E. Maximizing sugar beet yields with decreasing mineral fertilization pollution. International Journal of Agricultural Sciences. 2012. Vol. 4, No. 7, pp. 293-298. https://bioinfopublication.org/files/articles/4_7_4_IJAS.pdf
23. Sinta Z., Garo G. Influence of Plant Density and Nitrogen Fertilizer Rates on Yield and Yield Components of Beetroot (Beta vulgaris L.), International Journal of Agronomy, 2021. Vol. 2021, 6670243. DOI: 10.1155/2021/6670243
24. Amin G. A., Elham A. B., Badr A., Afifi M. H. M. Root yield and quality of sugar beet (Beta Vulgaris L.) in response to biofertilizer and foliar application with micronutrients. World Applied Sciences Journal, 2013. Vol. 27, No. 11, pp. 1385-1389. 10.5829/idosi.wasj.2013.27.11.13732
25. Mikkelsen R., Hartz T. K. Nitrogen sources for organic crop production. Better Crops with Plant Food, 2008. Vol. 92, No. 4, pp. 16-19. https://www.researchgate.net/publication/284245212.
26. Папушин Э.А., Васильев Э.В., Шалавина Е.В., Матейчик С.Н. Интеллектуальные аналитические программные платформы для сельскохозяйственного производства // АгроЭкоИнженерия. 2022. №1(110). C. 52-65. DOI: 10.24412/2713-2641-2022-1110-52-64
27. Курбанов Р. К., Литвинов М. А., Фокин А. М., Программное обеспечение для обработки мультиспектральных данных и оцифровки полей // Сельскохозяйственная техника: обслуживание и ремонт. 2021. №11. С. 3-6.
28. Свекла столовая «Двусемянная ТСХА» [Электронный ресурс]. Режим доступа: https://leplants.ru/veta-vulgaris-var-vulgaris-dvusemyannaya-tsha (дата обращения 27.11.2022).
29. Sokolova D.V., Shvachko N.A., Mikhailova A.S., Popov V.S. Betalain Content and Morphological Characteristics of Table Beet Accessions: Their Interplay with Abiotic Factors. Agronomy, 2022. Vol.12, No. 5, 1033. D0I: 10.3390/agronomy12051033
30. Rouse J., Haas R. H., Deering D. W. Monitoring Vegetation Systems in the Great Plains with ERTS. In: GoddardSpace Flight Center 3dERTS-1 Symp, 1974. Vol. 1, Sect. A., pp. 309-315
31. Gitelson A. A., Kaufman Y. J., Merzlyak M. N. Use of a Green Channel in Remote Sensing of Global Vegetation from E0S-M0DIS. Remote Sensing of Environment 1996. Vol. 58 (3), pp. 289-298. D0I: 10. 1016/s0034-4257(96)00072-7.
32. Tucker C. J. Red and Photographic Infrared Linear Combinations for Monitoring Vegetation. Remote Sensing of Environment. 1979. Vol. 8 (2), pp. 127-150. D0I: 10.1016/0034-4257(79)90013-0.
33. Motohka T., Nasahara K., Hiroyuki 0., Satoshi T. Applicability of Green-Red Vegetation Index for Remote Sensing of Vegetation Phenology. Remote Sensing. 2010. Vol. 2(10). D0I: 10.3390/rs2102369
34. Ракутько Е.Н., Ракутько С.А., Васькин А.Н., Су Ц. Опыт применения фрактального анализа при биоиндикации агроэкосистем на примере листьев свеклы (Beta Vulgaris L.) // АгроЭкоИнженерия. 2022. № 2 (111). С. 42-61. D0I: 10.24412/2713-2641-2022-2111-42-60
35. Ракутько С.А. Мишанов А.П., Ракутько Е.Н., Маркова А.Е. Биоиндикационная оценка состояния агроэкосистемы при выращивании столовой свеклы (Beta Vulgaris L.) // АгроЭкоИнженерия. 2022. № 3 (112). С. 4-24.
REFERENCES
1. Debangshi U. Drones - Applications in Agriculture. Chronicle of Bioresource Management. 2021. Vol. 5(3): 115-120. D0I: 10.5281/zenodo.5554734
2. Pathak H., Igathinathane C., Zhang Z., Archer D., Hendrickson J. A review of unmanned aerial vehicle-based methods for plant stand count evaluation in row crops. Computers and Electronics in Agriculture. 2022. No. 198, 107064. D0I:/10.1016/j.compag.2022.107064
3. Plaza J., Sánchez N., García-Ariza C., Pérez-Sánchez R., Charfolé F., Caminero-Saldaña C. Classification of airborne multispectral imagery to quantify common vole impacts on an agricultural field. Pest management science, 2022. Vol. 78(6): 2316-2323. D0I: 10.1002/ps.6857
4. Rakutko E.N., Rakutko S.A., Jian Su, Yang Ma. Metody bioindikatsionnoi otsenki sostoyaniya agroekosistem: analiticheskii obzor [Bioindication methods for the agroecosystems assessment: a review]. AgroEkoInzheneriya. 2022. No. 1 (110): 19-4. (In Russian) D0I: 10.24412/2713-2641-2022-1110-19-42
5. Rakutko S.A., Vaskin A.N., Rakutko E.N. Primenenie morfo-tsvetometricheskogo analiza v bioindikatsii ekosistem [Application of morpho-colormetric analysis in the bioindication of ecosystems]. IzvestiyaNVAUK. 2022. No. 3(67): 445-458 (In Russian) DOI:10.32786/2071-9485-2022-03-51.
6. Deng L., Mao Z., Li X., Hu Z., Duan F., Yan Y. UAV-based multispectral remote sensing for precision agriculture: A comparison between different cameras. ISPRS journal of photogrammetry and remote sensing. 2018. No. 146: 124-136. D0I:10.1016/j.isprsjprs.2018.09.008
7. Hassan M. A., Yang M., Rasheed A. et all. A Rapid Monitoring of NDVI Across the Wheat Growth Cycle for Grain Yield Prediction Using a Multi-Spectral UAV Platform. Plant Science. 2019. Vol. 282: 95-103. DOI: 10.1016/j.plantsci.2018.10.022.
8. Azalarib S.A., Hallett S., Brewer T. R. Using vegetation indices for the estimation and production of vegetation cover maps in the Jeffara Plain, Libya. IOSR Journal of Environmental Science, Toxicology and Food Technology (IOSR-JESTFT). 2018. Vol. 12, Issue 2, Ver. I: 23-28. DOI: 10.9790/2402-1202012328
9. Kamenova I., Filchev L. Ilieva I. Review of spectral vegetation indices and methods for estimation of crop biophysical variables. Aerospace Research in Bulgaria. 2017. Vol. 29: 72-82. DOI: 10.7546/AeReBu.29.18.01.06
10. Wang L., Zhou X., Zhu X. et all. Estimation of Biomass in Wheat Using Random Forest Regression Algorithm and Remote Sensing Data. The Crop Journal, 2016. Vol.4 (3): 212-219. DOI: 10.1016/j.cj.2016.01.008.
11. Amorim J.G.A, Schreiber L.V., de Souza M.R. et all. Biomass estimation of spring wheat with machine learning methods using UAV-based multispectral imaging. International Journal of Remote Sensing. 2022. Vol. 43(13): 1-16. DOI: 10.1080/01431161.2022.2107882
12. Gontia N.K., Tiwari, K.N. Yield estimation model and water productivity of wheat crop (Triticum aestivum) in an irrigation command using remote sensing and GIS. Journal of the Indian Society of Remote Sensing. 2011. Vol. 39(1): 27-37 DOI: 10.1007/s12524-011-0065-7
13. Li B., Xu X., Zhang L. et all. Above-Ground Biomass Estimation and Yield Prediction in Potato by Using UAV-Based RGB and Hyperspectral Imaging. ISPRS Journal of Photogrammetry and Remote Sensing. 2020. Vol. 162: 161-172. DOI: 10.1016/j.isprsjprs.2020.02.013.
14. Stoyanova M., Kandilarov A., Koutev V., Nitcheva O., Dobreva P. Unmanned drone multispectral imaging for assessment of wheat and oilseed rape habitus. Bulg. J. Agric. Sci., 2021. Vol. 27 (5): 875-879. https://agrojournal.org/27/05-07.pdf
15. Szopinska A. A., Gaweda M. Comparison of yield and quality of red beet roots cultivated using conventional, integrated and organic method. Journal of Horticultural Research, 2013. Vol. 21, No. 1: 107-114. DOI: 10.2478/johr-2013-0015
16. Freckleton R. P., Watkinson A. R., Webb D. J., Thomas T. H. Yield of beetroot in relation to weather and nutrients. Agricultural and Forest Meteorology, 1999. Vol. 93 (1): 39-51. DOI: 10.1016/S0168-1923(98)00106-3.
17. Fageria N. K. Nitrogen harvest index and its association with crop yields. Journal of Plant Nutrition, 2014. Vol. 37(6): 795-810. DOI: 10.1080/01904167.2014.881855
18. Salfina S. M., Martin M. M., Puffy S., Dharini S. Nitrogen application and leaf harvesting improves yield and nutritional quality of beetroot. American Society for horticultural Science, 2017. Vol. 27, No. 3: 337-347. DOI: 10.21273/HORTTECH03599-16
19. Petek M., Custic M. H., Tath N., Slunjki S. Nitrogen and crude proteins in beetroot (Beta vulgaris var. conditiva) under different fertilization treatments. Notulae Botanicae Hortiagrobotanici Cluj-Napoca, 2012. Vol. 40 (2): 215-219. DOI: 10.15835/nbha4027457
20. Najm A. A., Hadi S., Darzi M. T., Hadi M.H. Influence of nitrogen fertilizer and cattle manure on the vegetative growth and tuber production of potato. International Journal of Agriculture and Crop Sciences, 2013. Vol. 5: 147-154. https://www.researchgate.net/publication/280114073
21. Sarhan H. M., Abdou M. A. E., Al-Sayed H. M. Effect of planting systems, plant density and nitrogen fertilizer levels on productivity and quality of sugar beet. Journal of Plant Production, 2012. Vol. 3, No. 10: 2567-2580. DOI: 10.21608/jpp.2012.85003
22. Seadh S. E. Maximizing sugar beet yields with decreasing mineral fertilization pollution. International Journal of Agricultural Sciences. 2012. Vol. 4, No. 7: 293-298. https://bioinfopublication.org/files/articles/4_7_4_IJAS.pdf
23. Sinta Z., Garo G. Influence of Plant Density and Nitrogen Fertilizer Rates on Yield and Yield Components of Beetroot (Beta vulgaris L.), International Journal of Agronomy, 2021. Vol. 2021, 6670243. DOI: 10.1155/2021/6670243
24. Amin G. A., Elham A. B., Badr A., Afifi M. H. M. Root yield and quality of sugar beet (Beta Vulgaris L.) in response to biofertilizer and foliar application with micronutrients. World Applied Sciences Journal, 2013. Vol. 27, No. 11: 1385-1389. 10.5829/idosi.wasj.2013.27.11.13732
25. Mikkelsen R., Hartz T. K. Nitrogen sources for organic crop production. Better Crops with Plant Food, 2008. Vol. 92, No. 4: 16-19. https://www.researchgate.net/publication/284245212.
26 Papushin E.A., Vasilev E.V., Shalavina E.V., Mateichik S.N. Intellektual'nye analiticheskie programmnye platformy dlya sel'skokhozyaistvennogo proizvodstva [Intelligent analytical software platforms for agricultural production]. AgroEkolnzheneriya. 2022. No.1(110): 52-65 (In Russian) DOI: 10.24412/2713 -2641 -2022-1110-52-64
27. Kurbanov R. K., Litvinov M. A., Fokin A. M., Programmnoe obespechenie dlya obrabotki mul'tispektral'nykh dannykh i otsifrovki polei [Software for processing multispectral data and field digitization]. Sel'skokhozyaistvennaya tekhnika: obsluzhivanie i remont. 2021. No.11: 3-6 (In Russian)
28. Svekla stolovaya «Dvusemyannaya TSKhA» [Table beet of Dvusemyannaya TSKhA cultivar]. Available at: https://leplants.ru/veta-vulgaris-var-vulgaris-dvusemyannaya-tsha/ (accessed 27.11.2022) (In Russian)
29. Sokolova D.V., Shvachko N.A., Mikhailova A.S., Popov V.S. Betalain Content and Morphological Characteristics of Table Beet Accessions: Their Interplay with Abiotic Factors. Agronomy, 2022. Vol.12, No. 5, 1033. (In English) DOI: 10.3390/agronomy12051033
30. Rouse J., Haas R. H., Deering D. W. Monitoring Vegetation Systems in the Great Plains with ERTS. In: GoddardSpace Flight Center 3dERTS-1 Symp, 1974. Vol. 1, Sect. A.: 309-315
31. Gitelson A. A., Kaufman Y. J., Merzlyak M. N. Use of a Green Channel in Remote Sensing of Global Vegetation from EOS-MODIS. Remote Sensing of Environment 1996. Vol. 58 (3): 289-298. DOI: 10. 1016/s0034-4257(96)00072-7.
32. Tucker C. J. Red and Photographic Infrared Linear Combinations for Monitoring Vegetation. Remote Sensing of Environment. 1979. Vol. 8 (2): 127-150. DOI: 10.1016/0034-4257(79)90013-0.
33. Motohka T., Nasahara K., Hiroyuki O., Satoshi T. Applicability of Green-Red Vegetation Index for Remote Sensing of Vegetation Phenology. Remote Sensing. 2010. Vol. 2(10). DOI: 10.3390/rs2102369
34. Rakutko E.N., Rakutko S.A., Vaskin A.N., Su Jian. Opyt primeneniya fraktal'nogo analiza pri bioindikatsii agroekosistem na primere list'ev svekly (Beta vulgaris L.) [Experience with fractal analysis in bioindication of agroecosystems on the example of beet leaves (Beta Vulgaris L.)]. AgroEkoInzheneriya. 2022. No. 2 (111): 42-61. (In Russian)DOI: 10.24412/2713-2641-2022-211142-60
35. Rakutko S.A. Mishanov A.P., Rakutko E.N., Markova A.E. Bioindikatsionnaya otsenka sostoyaniya agroekosistemy pri vyrashchivanii stolovoi svekly (Beta VulgarisL.) [Bioindication assessment of the agroecosystem status in table beet (Beta VulgarisL.) growing]. AgroEkoInzheneriya. 2022. No. 3 (112): 4-24 (In Russian)
УДК 636.2
АЛГОРИТМ ОЦЕНКИ ЭКОЛОГИЧЕСКОЙ СИТУАЦИИ ТЕРРИТОРИИ НА
МАКРОУРОВНЕ
Васильев Э.В., канд. техн. наук Шалавина Е.В., канд. техн. наук
Институт агроинженерных и экологических проблем сельскохозяйственного производства (ИАЭП) - филиал ФГБНУ ФНАЦ ВИМ, Санкт-Петербург, Россия
В целом по Российской Федерации 350 миллионов тонн органических отходов ежегодно остаются непереработанными и загрязняют атмосферный воздух, почву и водные объекты. За счет неэффективного использования органических отходов животноводства и птицеводства потери питательных веществ составляют по азоту - 2,2 млн. т/год; по фосфору - 0,36 млн. т/год. Мировой опыт показывает, что для мега комплексов, территорий с высокой концентрацией животных и расположенных вблизи крупных городов целесообразно рассматривать создание агротехнопарков для переработки органических отходов в высокоэффективные органические удобрения. Цель исследования - обосновать порядок сбора исходных данных для проведения расчетов и оценки экологической ситуации территории при обращении с органическими побочными продуктами животноводства и
36
