ОЦЕНКА ПРОЕКТИВНОГО ПОКРЫТИЯ РАСТИТЕЛЬНЫХ ОСТАТКОВ ПОВЕРХНОСТИ ПОЧВЫ ПРИ ТЕХНОЛОГИИ ПРЯМОГО ПОСЕВА

Ермолаев Н.Р.; Юдин С.А.; Белобров В.П.; Дридигер В.К.; Гаджиумаров Р.Г.

DOI 10.25930/2687-1254/005.5.14.2021 УДК 631.531.041

ОЦЕНКА ПРОЕКТИВНОГО ПОКРЫТИЯ РАСТИТЕЛЬНЫХ ОСТАТКОВ

ПОВЕРХНОСТИ ПОЧВЫ ПРИ ТЕХНОЛОГИИ ПРЯМОГО ПОСЕВА

Н.Р. Ермолаев, С.А. Юдин, В.П. Белобров, В.К. Дридигер, Р.Г. Гаджиумаров

Интенсификация земледелия в черноземной зоне обусловила разработку и внедрение новых почвосберегающих технологий, обеспечивающих снижение деградацион-ных процессов. Полный отказ от обработок почв, закрытых с поверхности растительными остатками, при технологии прямого посева оказывает положительное влияние на почвенное плодородие, поэтому растительные остатки на полях становятся неотъемлемой частью современного землепользования и необходим их количественный учет для достоверной оценки воздействия на свойства почв. Исследования проводились на двух полях сельскохозяйственного использования, расположенных на территории Буденнов-ского района Ставропольского края, с применением вспашки с оборотом пласта и технологии прямого посева, где почва не обрабатывалась. Цель исследований - определить различия проективного покрытия растительными остатками поверхности почв при разных технологиях обработки почвы, а также влияние технологий на отражательную способность поверхностей в диапазонах электромагнитного спектра, использующихся для расчета спектральных индексов. В работе применялись мультиспектральные снимки системы Sentinel-2. Для оценки отражательной способности фона поверхности при прямом посеве и традиционной технологии использовали методы кластерного анализа и главных компонент. Установлено, что наличие растительных остатков на поверхности поля, не менее 80% покрытия, при прямом посеве приводит к увеличению отражения спектральных каналов Band 8, Band 11, Band 12 системы Sentinel-2. Кластерный анализ показал, что при разработке спектральных индексов для идентификации растительных остатков при сельскохозяйственном использовании земель необходимо применять каналы в диапазонах около 840 нм, 1610 нм, 2190 нм. Метод главных компонент статистически достоверно фиксирует различия между традиционными технологиями с обработкой почвы и прямым посевом по всем доступным диапазонам электромагнитного спектра в Sentinel 2.

Ключевые слова: прямой посев, растительные остатки, дистанционное зондирование, метод главных компонент.

EVALUATION OF THE PROJECTIVE COVER OF PLANT RESIDUES ON THE SOIL SURFACE WITH THE DIRECT SEEDING TECHNIQUE

N.R. Ermolaev, S.A. Yudin, V.P. Belobrov, V.K. Dridiger, R.G. Gadzhiumarov

The intensification of agriculture in the chernozem zone has led to the development and introduction of new soil-saving technologies that reduce degradation processes. The complete rejection of soil tillage and surface covering with plant residues when using direct seeding technology has a positive effect on soil fertility. Therefore, plant residues in the fields are becoming an essential part of modern land management and their quantification is necessary

for a reliable assessment of the impact on soil properties. The research was carried out on two fields of agricultural use located on the territory of the Budennovsky District in the Stavropol Territory with the use of real tillage and direct seeding technique, where the soil was not cultivated. The purpose of the research is to determine the differences in the projective cover of the soil surface with plant residues with different tillage technologies, as well as the influence of technologies on the reflectivity of surfaces in the electromagnetic spectrum ranges that are used to calculate spectral indices. The multispectral images of the Sentinel-2 system were used in the work. To assess the reflectivity of the background surface, along with direct seeding and conventional technology, the clustering method and principal component analysis were used. It was found that the presence of plant residues on the field surface, at least 80% of the coverage during direct seeding, leads to an increase in the reflection of spectral channels Band8, Band11, Band 12 of the Sentinel-2 system. Cluster analysis has shown that when developing spectral indices for the identification of plant residues in agricultural land management, it is necessary to use channels in the ranges of about 840 nm, 1610 nm, 2190 nm. The principal component analysis records statistically significant differences between conventional technologies with tillage and direct seeding with all available ranges of the electromagnetic spectrum in Sentinel 2.

Key words: direct seeding, plant residues, remote sensing, principal component analysis.

Введение. Интенсификация земледелия в черноземной зоне обусловила разработку и внедрение новых почвосберегающих технологий, обеспечивающих снижение деградационных процессов и сохранение почвенного плодородия. Наиболее эффективно это проявляется в районах недостаточного увлажнения, где происходит постепенный отказ от традиционных технологий (ТТ), включающих вспашку с оборотом пласта, культивации и использование в севообороте чистых паров. Обработки почв в ТТ приводят к потере почвенного плодородия [1-3] в результате деградации свойств почв, определяющих их продуктивность: снижается содержание органического вещества [4], уменьшается количество доступных для растений азота, фосфора и калия [5-7], ухудшается структура и водопрочность микро- и макроагрегатов [3, 8, 9].

Кроме деградации названных свойств, вызванных обработками почв, снижение почвенного плодородия провоцируется также эрозионными процессами, особенно сильно проявляющимися при использовании паров [10, 11]. Обработки почв являются своеобразными катализаторами водной эрозии и дефляции почв, усиливая деградаци-онные процессы и повышая расходы на противоэрозионные мероприятия.

В последние годы прямой посев (1111) - нулевая обработка и/или no-till как почвозащитная технология приобретает все большее распространение в мире. На сегодняшний день 1111 применяется на площади около 160 млн га [12]. Мировой опыт показывает, что полный отказ от обработок почв, закрытых с поверхности растительными остатками, оказывает положительное влияние на плодородие почв. Стабилизируется или увеличивается содержание органического вещества почвы [13], растет количество водопрочных агрегатов [9], а защитное действие мульчи из пожнивных остатков снижает дефляцию и водную эрозию, увеличивая запасы продуктивной влаги, необходимой для выращивания сельскохозяйственных культур [14].

Растительные остатки на полях становятся неотъемлемой частью современного землепользования, поэтому необходим их количественный учет для достоверной оценки воздействия на свойства и плодородие почв.

В современных условиях традиционные методы учета растительных остатков малоэффективны. Способ закладки поперечных трансект с фотофиксацией точек приводит к переоценке растительного покрова на 6-10% и требует больших трудозатрат для проведения наблюдений в течение длительного времени [15]. Оценка растительных остатков по индексу урожайности, то есть чем больше урожай, тем больше мульчи, безусловно полезен при отсутствии других дополнительных данных. Но данный способ не учитывает время и способ уборки урожая, а точность полученных результатов оставляет желать лучшего [16].

Одним из наиболее актуальных и современных методов мониторинга состояния сельскохозяйственных угодий является использование аэрокосмической съемки [17]. Дистанционное зондирование (ДЗ) с помощью современных спутниковых платформ, таких как Sentinel-2, Landsat, MODIS, позволяет получать данные об отражательных способностях объектов в видимом и инфракрасном участках электромагнитного спектра. При этом качественная и количественная оценка состояния поверхности фиксируется спектральными индексами, комбинацией растровых изображений, характеризующих отражательные способности объектов в разных участках электромагнитного спектра.

Идентификация растительных остатков на поверхности почвы представляет определенные трудности еще и потому, что ни почвы, ни растительные остатки не имеют уникальных спектральных сигнатур в области длин волн, широко использующихся для дистанционного зондирования. Очень часто эти объекты бывают сходны по спектрам отраженных волн и могут иметь различие только по амплитуде [18]. Усложняет задачу и то, что растительные остатки могут быть значительно ярче, чем почва. Данная особенность наблюдается сразу после уборки урожая, а впоследствии в процессе «старения» мульча становится темнее, чем почва [19]. Таким образом, срок экспозиции дистанционного зондирования имеет кардинальное значение для диагностики.

Традиционно для распознавания растительных остатков на поверхности почвы используют видимый (400-700 Нм), ближне-красный (700-1200 Нм, NIR) и коротковолновый инфракрасный (1200-2500 Нм, SWIR) спектры. На основе этих мультиспек-тральных каналов с использованием платформы Landsat TM разработаны индексы, в той или иной степени позволяющие идентифицировать покрытие почвы растительными остатками.

Цель исследований заключается в выявлении различий и оценке проективного покрытия растительными остатками поверхности почв при прямом посеве в сравнении с традиционно применяемой технологией возделывания сельскохозяйственных культур с обработкой почвы, а также влияние технологий на показатели мультиспектральных каналов, использующихся для расчета спектральных индексов.

Материал и методы исследований. Полевые эксперименты проводились на ключевых участках в Буденновском районе Ставропольского края, в междуречье рек Кума и Горькая Балка, на территории двух фермерских хозяйств, использующих различные технологии обработки почвы: ТТ (для этого района) и 1111. На участке площадью 109 га с координатами 44° 32.000' С.Ш. и 44° 9.935' В.Д. применялась ТТ, а на участке площадью 161 га и координатами 44° 32.842' С.Ш. и 44°10.547' В.Д. - технология 1111 (рисунок 1).

№58(14), 2021

Рисунок 1. Расположение участков исследования

В ТТ применялись вспашка с оборотом пласта и последующая культивация для подготовки почвы под посев и посев дисковой сеялкой С3-3,6, а в 1111 почва не обрабатывалась и посев производился специальной сеялкой Salford-525 прямо по стерне и растительным остаткам, равномерно распределенным по поверхности почв. Технология 1111 применялась на участке на протяжении семи лет, а ТТ в различных модификациях севооборота - постоянно. В обеих технологиях в течение последних лет использовали схожие севообороты с включением в них озимой пшеницы, озимого ячменя, подсолнечника, гороха, нута и льна масличного.

На ключевых участках доминируют темно-каштановые почвы, формирующиеся на четвертичных отложениях: в западной части - на аллювии реки Кума, в центральной - на покровных и в восточной - на делювиальных лессовидных суглинках [20].

Полевые наблюдения проводились 28-29 августа 2019 г., когда в хозяйствах завершилась уборка урожая. На участке ТТ после культивации под посев озимой пшеницы поверхность поля представляла собой ровную, рыхлую, лишенную растительности поверхность, в которую при ходьбе по полю нога проваливалась по щиколотку. В варианте 11 участок также подготовили к посеву следующей культуры, но его поверхность была твердой и повсеместно укрыта мульчей. Для количественной оценки плотности покрытия растительными остатками в пятикратной повторности произвели фотофиксацию поверхности почвы со стандартной высоты - 1,5 м, обычно используемой в исследованиях полога сельскохозяйственных культур [21] (рисунок 2).

TT пп

f * ** * ^^m^Jff^w- ^ и" * -Г ' ' * * " ' i л ^ • - _ ^р* ^ *, - ■* _ J- • _ , f» - •* у ' '. - и

' ¡H" ► /д ЛХ' - у ч " 3 чйжйжйа^»«^®1 аВ • ** У* ^•— ^/.Ч i -'i» ч ' ■¿»и • -. . • ri'4^^ • ( ДНИ к , jkVrvTJ - . - ^fc

ЙЖдИй X' 5 ' ЕЕ л 5 Я' /Iw , .ja «■- % f Д. ^»Д Sfck. MFSÖF1*'

Рисунок 2. Участки с традиционной технологией обработки почвы (слева)

и прямым посевом

Для учета площади покрытия растительными остатками поверхности почв при различных технологиях их обработки применяли программу SAGA [22]. В работе использовались шесть каналов, необходимые для расчета наиболее распространенных нормализованных спектральных индексов (таблица 1).

Таблица 1 - Мультиспектральные каналы для оценки проективного покрытия почвы растительными остатками

Канал Спектр, Нм Формула расчета индексов Литература

Band 2 450-510 CRC1 = (B11 - B2)/(B11 + B2) [23-25]

Band 3 530-590 MCRC = (B11 - B3)/(B11 + B3) [23-25]

Band 4 640-670 NDSVI = (B11 - B4)/(B 11 + B4) NDVI = (B8 - B4)/(B8 + B4) SRNDI = (B8 - B4)/(B8 + B4) [26-28]

Band 8 850-880 NDVI = (B8 - B4)/(B8 + B4) NDI7 = (B8 - B12)/(B8 + B12) NDI5 = (B8 - B11)/(B8 + B11) [28, 29]

Band 11 1570-1650 NDTI = (B11 - B12)/(B11 + B12) NDI5 = (B8 - B11)/(B8 + B11) [27, 30]

Band 12 2110-2290 NDI7 = (B8 - B12)/(B8 + B12) SRNDI = (B12 - B4)/(B12 + B4) STI = B11/B12 NDTI = (B11 - B12)/(B11 + B12) [29] [27, 29, 30]

Подбор, обработка сцен и отбор данных осуществлялись при помощи сервиса Google Earth Engine (GEE) (https://earthengine.google.com/). Статистический анализ и визуализация данных выполнялись при помощи Statistica 6 и R-studio.

Первый этап нашей работы - подборка космических снимков. GEE позволяет

получать уже откорректированные (по данным официальной документации GEE, коррекция проводится при помощи алгоритмов sen2cor) [31] сцены Sentinel-2. Из имеющегося массива сцен для интересующей нас территории удалялись сцены с процентом покрытия облаками более 10% и подбирались снимки, наиболее близкие к интересующему нас временному промежутку. В итоге фильтрации получена сцена sentinel-2 за 28 августа 2019 г. Вручную были построены полигоны полей с традиционной технологией и прямым посевом.

Для оценки отражательной поверхности поля, по алгоритму GEE, внутри каждого полигона отбиралось по 25 точек, из которых извлекались значения каналов, используемых в спектральных индексах. Для выделения наиболее контрастных групп оптических каналов при идентификации растительных остатков использовали метод кластерного анализа [32]. Метод главных компонент (МГК) позволил оценить вклад каналов в общую отражательную способность поверхности поля при использовании технологии ТТ и ПП.

Результаты исследований и обсуждение. Одним из основных требований технологии ПП является равномерное распределение пожнивных остатков по поверхности поля. Нарушение этого условия в дальнейшем будет отрицательно сказываться на урожае сельскохозяйственной культуры. При избытке мульчи изменяется глубина высева, может происходить выпревание растений, а ее отсутствие ведет к иссушению верхнего слоя почвы. В наших исследованиях по технологии ПП процент покрова мульчи составил 81,1%, культивация при ТТ привела к «оголению» почвы с проективным покрытием растительными остатками всего 3,9%. Неравномерное распределение растительных остатков сказывается на рассеивании значений спектральных каналов и их изменчивости. В данном случае изменчивость (коэффициент вариации) значений каналов имеет невысокие показатели и колеблется от 1 до 6%, что свидетельствует об однородности поверхности. На это же указывают низкие значения стандартной ошибки, характеризующие отсутствие аномалий (таблица 2).

Таблица 2 - Статистический анализ значений каналов отражения Sentinel 2

Канал Ко-личе-ство Сред нее Мини ни- мум Максимум Стандартное отклонение Коэф-фици-ент вариации Стандарт-ная ошибка Доверительный интервал

B2 ТТ 25 768 717 824 32 4 6 12

B2 ПП 25 918 889 953 14 2 3 5

B3 ТТ 25 1006 942 1082 41 4 8 16

B3 ПП 25 1190 1154 1238 18 2 4 7

B4 ТТ 25 1321 1223 1414 54 4 11 21

B4 ПП 25 1600 1549 1664 28 2 6 11

B8 ТТ 25 1781 1629 2033 98 6 20 38

B8 ПП 25 2143 2036 2230 46 2 9 18

B11 ТТ 25 3111 2955 3228 82 3 16 32

B11 ПП 25 3494 3433 3631 48 1 10 19

B12 ТТ 25 3063 2699 3194 130 4 26 51

B12 ПП 25 3101 2998 3221 64 2 13 25

Можно сделать вывод, что обработка почвы на ключевых участках проводилась с соблюдением требований технологии ТТ (растительные остатки практически полностью запаханы в почву) и 1111 (растительные остатки равномерно распределены по поверхности почв).

Оставленные на поверхности почв растительные остатки приводят к увеличению отражательной способности по всем каналам, что согласуется с другими ранее проведенными исследованиями [30] (рисунок 3).

Band 2 Band3 Band 4 BandS Band 11 Band 12

Рисунок 3. Отражательная способность поверхности почвы в зависимости от технологии обработки

Статистически достоверное увеличение установлено в пяти из шести каналов. Исключение представляет канал Band 12, где различия по вариантам опыта лежат в пределах доверительного интервала и статистически не достоверны. Наибольшие различия между укрытой почвой и «голой» поверхностью установлены для каналов Band 8 и Band 11.

Во всех диапазонах электромагнитного спектра (ЭМС), кроме Band 12, отражательная способность растительных остатков выше, чем у почвы, причем кривые отражательной способности почвы и растительных остатков схожи по своей геометрии в диапазонах Band 2 - Band 11 (рисунок 4).

№58(14), 2021

В11 ТТ ■ В8 ТТ ■ В12 ТТ ■ В2 ТТ ■ В3 ТТ ■ В4 ТТ ■ В11 ПП ■ В2 ПП ■ В3 ПП ■ В4 ПП ■ В8 ПП ■ В12 ПП ■

■ ■ ■ I ... I ... I ... I ... I ■ ■

0 1 2 3 4 5

Дистанция

Рисунок 4. Дендрограмма иерархической группировки спектральных каналов при различной технологии земледелия по результатам кластерного анализа

Выбранные каналы обладают различными характеристиками: разрешающая способность, диапазон ЭМС, отсутствие индивидуальной волны отражения «голой» почвы и растительных остатков. В этих условиях возникает необходимость разбиения объектов группы по совокупности характеристик. Наиболее подходящим для данной цели считается метод кластерного анализа. После проведения стандартизации всех значений удалось разделить объекты на два крупных однородных кластера. В одну группу вошли значения каналов, полученные на полях с технологией ТТ, в другую - только с технологией ПП (рисунок 5).

Формирование классов произошло на максимальной дистанции и соответственно минимальном уровне сходства - 45%, что свидетельствует о надежности выделения кластеров для различных систем земледелия.

В этой связи нас интересует не объединение похожих объектов в один кластер, а, наоборот, определение объектов, максимально удаленных друг от друга, что дает возможность предельно выявить различия между системами обработки почвы.

Для надежной идентификации растительных остатков на поверхности поля

необходимо выделить каналы с наибольшими отличиями. Интерес представляют каналы Band 8, Band 11, Band 12, максимально удаленные друг от друга в зависимости от системы обработки, уровень сходства составляет около 57-58%.

2-1012 первая главная компонента (84.2%)

— пп — тт

Рисунок 5. Распределение результатов отражения спектральных каналов в координатах главных компонент в зависимости от технологии обработки почвы

Таким образом, иерархический метод кластерного анализа на основе данных дистанционного зондирования почвы в определенный срок измерения позволяет уверенно идентифицировать технологию обработки.

Для классификации данных дистанционного зондирования также использовался метод главных компонент (МГК). МГК позволяет при больших объемах данных и неясных взаимосвязях выявить наблюдения, вносящие наибольший вклад в различия между объектами, в данном случае технологиями обработки почвы.

Первая и вторая главные компоненты (ГК) описывают практически все различия отражательных свойств изучаемых поверхностей в выбранных диапазонах - 99,5%. Причем первая ГК, наиболее значимая, вносит вклад в характеристику объектов на уровне 84,2%, соответственно вклад второй составляет 15,3%. Учитывая невысокие значения третьей и последующих компонент, к которым можно отнести ошибки определения, они не рассматривались [32] (таблица 4).

Таблица 4 - Характеристика главных компонент значений спектральных каналов

Ком по-нен-та Дисперсия % общей дисперсии Веса значений спектральных каналов

Band 2 Band 3 Band 4 Band 8 Band 11 Band 12

1 2,25 84,2 0,44 0,44 0,44 0,44 0,44 0,14

2 0,95 15,3 -0,06 -0,05 -0,09 -0,11 0,00 0,98

Ось первой ГК уверенно разделяет значения отражения с поверхности полей при различных технологиях обработки почвы. Вся агломерация точек при 1111 располагается в положительной области. Вспашка с оборотом пласта с последующей культивацией смещает наблюдения в отрицательную область первой ГК. Такое разделение показывает различия, существующие между отражающей поверхностью при технологии ТТ и 11, и раскрывает структуру данных наблюдений.

Весы каждого канала в первой ГК составляют 0,44. Исключение представляет Band 12, где вес в первой ГК равен 0,14 (см. таблицу 4). Векторы каналов Band 2 - Band 11 соответствуют направлению первой ГК, что говорит о высокой степени корреляции данных каналов с первой ГК и между собой. На основании этого можно утверждать, что каналы сходным образом реагируют на различия между растительными остатками и почвой (см. рисунок 5). Основным диапазоном ЭМС, описывающим вторую ГК, является канал Band 12 со значением коэффициента 0,98 и направленностью вектора, отражающим высокую корреляцию между Band 12 и второй ГК.

Таким образом, МГК позволяет сделать заключение о том, что все исследуемые спектральные диапазоны могут идентифицировать различия между почвой и растительными остатками.

Заключение. Наличие пожнивных остатков на поверхности поля не менее 80% покрытия при технологии 11 по сравнению с ТТ дает статистически достоверное увеличение отражения спектральных каналов Band 8 (840 нм), Band 11 (1610 нм), Band 12 (2190 нм).

Метод кластерного анализа показал, что при разработке спектральных индексов для идентификации растительных остатков при сельскохозяйственном использовании земель необходимо использовать каналы в диапазонах около 840 нм, 1610 нм, 2190 нм, метод главных компонент статистически достоверно фиксирует различия между технологиями ТТ и 1111 по всему исследуемому электромагнитному спектру.

При разработке спектральных индексов для идентификации растительных остатков при различных технологиях возделывания возможно использование каналов Band 2, Band 3, Band 4, Band 8, Band 11, Band 12. При этом данные ДДЗ позволяют контролировать соблюдение требований по обработке почв в традиционной технологии и распределение растительных остатков на поверхности почв в технологии прямого посева.

Проделанная работа демонстрирует перспективность использования метода кластерного анализа и метода главных компонент к результатам анализа спектральных каналов для оценки покрытия почвы растительными остатками при различных технологиях обработки почвы.

Литература

1. Кирюшин В.И. Агротехнологии: Учебник. СПБ: «Лань», 2015. 464 с.

2. Montgomery D.R. Soil erosion and agricultural sustainability // Proc. Natl. Acad. Sci. U. S. A. 2007. № 104 (33). P. 13268-13272.

3. Kuzyakov Y., Zamanian K. Reviews and syntheses: Agropedogenesis-Humankind as the sixth soil-forming factor and attractors of agricultural soil degradation // Biogeosciences. 2019. Vol. 16, № 24. P. 4783.

4. Когут Б.М. и др. Компонентный состав органического вещества воздушно-сухих и водоустойчивых макроагрегатов типичного чернозема в условиях контрастного землепользования // Почвоведение. 2019. № 2. С. 161-170.

5. Гребенников А.М. и др. Влияние способов обработки миграционно-мицелярных черноземов на урожайность сельскохозяйственных культур // Вестник российской сельскохозяйственной науки. 2019. №. 2. С. 38-41.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

6. Шеховцов Г.А., Чайкина Н.Н. Мониторинг плодородия почв, динамика применения минеральных и органических удобрений, баланс элементов питания в почвах восточной части Ставропольского края // Земледелие. 2018. №. 6. С. 21-25.

7. Zavalin A.A. et al. Azot v chernozemah pri tradicionnoy obrabotke i pryamom poseve: Obzor (Nitrogen in chernozems by traditional tillage and no till: review) // Pochvovedenie. 2018. Vol. 12, № 12. P. 1506-1516.

8. Мамонтов В.Г. и др. Изменение структурного состояния чернозема типичного Курской области под влиянием бессменных пара и озимой пшеницы // Земледелие. 2019. № 1. С. 7-9.

9. Холодов В.А. и др. Изменение соотношения фракций агрегатов в гумусовых горизонтах черноземов в различных условиях землепользования // Почвоведение. 2019. № 2. С. 184193.

10. Рудик Н.И. и др. Тенденции изменения почв на юго-западе Белгородской области // Бюллетень Почвенного института им. В.В. Докучаева. 2019. том 96, издательство Федеральное государственное бюджетное научное учреждение «Почвенный институт имени В.В. Докучаева». С. 47-63.

11. Hively W.D. et al. Mapping crop residue and tillage intensity using WorldView-3 satellite shortwave infrared residue indices // Remote Sens. 2018. Vol. 10, № 10. P. 1657.

12. Kassam A. et al. Global spread of Conservation Agriculture // F. Actions Sci. Rep. 2015. Vol. 8.

13. Quemada M. Predicting crop residue decomposition using moisture adjusted time scales // Nutr. Cycl. Agroecosystems. 2005. Vol. 70, № 3. P. 283-291.

14. Quemada M., Craig S.T. Spectral indices to improve crop residue cover estimation under varying moisture conditions // Remote Sens. 2016. Vol. 8, № 8. P. 660.

15. Morrison Jnr J.E. et al. Residue measurement techniques // J. Soil Water Conserv. 1993. Vol. 48, № 6. P. 478-483.

16. Johnson J.M.F., Allmaras R.R., Reicosky D.C. Estimating source carbon from crop residues, roots and rhizodeposits using the national grain-yield database // Agron. J. 2006. Vol. 98, № 3. P. 622.

17. Loupian E.A. et al. Observation of early development of winter crops in spring 2017 in southern regions of Russia based on remote sensing data // Sovrem. Probl. Distantsionnogo Zo. Zemli iz Kosmosa. 2017. Vol. 14, № 2. P. 268-272.

18. Stoner E.R. et al. Extension of Laboratory-measured Soil Spectra to Field Conditions. 1976. P. 572-574.

19. Nagler P.L., Daughtry C.S.T., Goward S.N. Plant litter and soil reflectance // Remote Sens. Environ. 2000. Vol. 71. P. 207-215.

20. Kulintsev V.V., Godunova E.I., Zhelnakova L.I. Sistema zemledeliya novogo pokoleniya Stavropolskogo kraya (The farming system of the new generation of the Stavropol territory). Stavropol: AGRUS of Stavropol state. Agricultural University, 2013. 520 p.

21. De Wit A.R.V. A dataset of spectral and biophysical measurements over Russian wheat fields // Open Data J. Agric. Res. 2018.

22. Rubin J. Optimal classification into groups: An approach for solving the taxonomy problem // J. Theor. Biol. 1967. Vol. 15, № 1. P. 103-144.

23. Sullivan D.G. et al. Evaluating a crop residue cover index for determining tillage regime in a cotton-corn-peanut rotation // J. Soil Water Conserv. 2008. Vol. 63, № 1. P. 28-36.

24. Sullivan D.G. et al. Evaluation of Multispectral Data for Rapid Assessment of Wheat Straw Residue Cover // Soil Sci. Soc. Am. J. 2004. Vol. 68, № 6. P. 2007-2013.

25. Sullivan D.G. et al. Evaluating techniques for determining tillage regime in the Southeastern Coastal Plain and piedmont // Agron. J. 2006. Vol. 98, № 5. P. 1236-1246.

26. Qi J. et al. Ranges improves satellite-based information and land cover assessments in Southwest United States // Eos (Washington. DC). 2002. Vol. 83, № 51. P. 601-606.

27. Jin X. et al. Estimation of maize residue cover using Landsat-8 OLI image spectral information and textural features // Remote Sens. 2015. Vol. 7, № 11. P. 14559-14575.

28. Huete A. et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices // Remote Sens. Environ. 2002. Vol. 83, № 1. P. 195-213.

29. Mcnairn H., Protz R. Mapping corn residue cover on agricultural fields in oxford county, ontario, using thematic mapper // Can. J. Remote Sens. 1993. Vol. 19, № 2. P. 152-159.

30. Van Deventer A.P. et al. Using thematic mapper data to identify contrasting soil plains and tillage practices // Photogramm. Eng. Remote Sensing. 1997. Vol. 63, № 1. P. 87-93.

31. Google Earth Engine. Earth Engine Data Catalog [Electronic resource] // Earth Engine Data Catalogue. 2019.

32. Мешалкина Ю.Л., Самсонова В.П. Математическая статистика в почвоведении. Москва: Изд-во Моск. ун-та, 2008. 84 С.

References

1. Kiryushin V.I. Agrotechnologies: Textbook. SPB: "Lan", 2015. 464 p.

2. Montgomery D.R. Soil erosion and agricultural sustainability // Proc. Natl. Acad. Sci. U. S. A. 2007. № 104 (33). P. 13268-13272.

3. Kuzyakov Y., Zamanian K. Reviews and syntheses: Agropedogenesis-Humankind as the sixth soil-forming factor and attractors of agricultural soil degradation // Biogeosciences. 2019. Vol. 16, № 24. P. 4783.

4. Kogut B.M. et al. Component composition of organic matter of air-dry and waterproof macroaggregates of typical chernozem in conditions of contrasting land use // Eurasian Soil Science. 2019. No. 2. P. 161-170.

5. Grebennikov A.M. et al. The influence of tillage methods of migration-micellar chernozems on the yield of agricultural crops // Vestnik of the Russian Agricultural Science. 2019. No. 2. P. 38-41.

6. Shekhovtsov G.A., Chaikina N.N. Monitoring of soil fertility, dynamics of application of mineral and organic fertilizers, balance of nutrients in soils of the eastern part of Stavropol Krai // Zemledelie. 2018. №. 6. P. 21-25.

7. Zavalin A.A. et al. Azot v chernozemah pri tradicionnoy obrabotke i pryamom poseve: Obzor (Nitrogen in chernozems by traditional tillage and no till: review) // Pochvovedenie. 2018. Vol. 12, № 12. P. 1506-1516.

8. Mamontov V.G. et al. Change of the structure of typical chernozem in the Kursk region under the influence of permanent fallow and winter wheat monoculture // Zemledelie. 2019. No. 1.

P. 7-9.

9. Kholodov V.A. et al. Changes in the ratio of aggregate fractions in humus horizons of chernozem in various land use conditions // Pochvovedenie. 2019. No. 2. P. 184-193.

10. Rudik N.I. et al. Trends in soil changes in the south-west of the Belgorod region // Dokuchaev Soil Bulletin. 2019. volume 96, publishing house of the Federal State Budgetary Scientific Institution "V.V. Dokuchaev Soil Science Institute." P. 47-63.