CC BY
1
XXXXXXXXXXX технологии, машины и оборудование XXXXXXXXXXX
VWWVV^^^^ ППЯ АГРППРПММШПРННПЮ 1СПМППРКГД W^VWWWW
4.3.1 ТЕХНОЛОГИИ, МАШИНЫ И ОБОРУДОВАНИЕ ДЛЯ АГРОПРОМЫШЛЕННОГО КОМПЛЕКСА _
Научная статья УДК 631.42
Б01: 10.24412/2227-9407-2024-3-7-17 ББ№ ЬКБОЬа
Цифровое моделирование почвенного состава на основе спектрального анализа
Елена Михайловна Басарыгина18, Наталья Алексеевна Пахомова2, Татьяна Александровна Путилова3
12Южно-Уральский ГАУ, Челябинск, Россия
3 Уральский государственный университет путей сообщения, Челябинский институт путей сообщения (филиал), Челябинск, Россия
1 b_ejn@mail.ru18', https://orcid.org/0000-0002-8159-5565
2 паШИ-раШотоуа@таИ ги, https://orcid. org/0000-0002-6387-124
3 tJг_p@mail.ru, https://orcid.org/0000-0002-4325-8476
Аннотация
Введение. Почвенные ресурсы, входящие в состав природно-ресурсного потенциала, являются основой экономического развития территорий. Цифровые карты и информационные модели являются одним из способов представления паспорта поля, то есть наглядной базы данных, полученной на основании анализа земельных ресурсов и отражающей достоверную информацию о состоянии конкретного земельного участка. В течение последнего десятилетия заметно повысился интерес общества к технологиям точного земледелия, мониторингу производственно-технологических процессов и вопросам охраны окружающей среды.
Материалы и методы. Начальным этапом составления цифровой модели является мониторинг состояния земельных ресурсов. Для осуществления такого мониторинга применяются классические методы химического анализа и современные методы инструментального анализа, в том числе спектрометрия. Многие спектроскопические методы, в том числе используемый рентгенофлуоресцентный анализ, действуют недеструктивно, что позволяет неоднократно производить различный анализ одной и той же пробы.
Результаты. В результате проведенных исследований построены цифровые модели почвы (на примере почв Челябинской области). Полученные модели, наглядно отражающие содержание тяжелых металлов, рекомендуются к использованию при принятии управленческих решений в сфере агропромышленного комплекса. Применение данных моделей способствует переходу к технологиям цифрового растениеводства. Заключение. В настоящее время сельхозтоваропроизводители все активнее используют технологии, основанные на цифровых данных, которые применяются для управления и оптимизации производства.
Ключевые слова: корреляционный анализ, почвы, спектральный анализ, цифровое моделирование, элементный состав
Для цитирования: Басарыгина Е. М., Пахомова Н. А., Путилова Т. А. Цифровое моделирование почвенного состава на основе спектрального анализа // Вестник НГИЭИ. 2024. № 3 (154). С. 7-17. Б01: 10.24412/22279407-2024-3-7-17. ББ№ ЬКБдЬО
© Басарыгина Е. М., Пахомова Н. А., Путилова Т. А., 2024
тент доступен под лицензией Creative Commons Attribution 4.0 License. content is available under Creative Commons Attribution 4.0 License.
7
Вестник НГИЭИ. 2024. № 3 (154). C. 7-17. ISSN 2227-9407 (Print) Bulletin NGIEI. 2024. № 3 (154). P. 7-17. ISSN 2227-9407 (Print)
V^W^VWW^V ТРГНМП! nniFS МЛГШМРЯ ЛМП FflIIIPMFNT WWW^^WW
WVW^^WWV^^ FnR TUP AiZRn.INnilSTItlA I ГПМР1 rvV^^VWW^^WW
run inn lwuujinirtl, ^итгьсл
Digital modeling of soil composition based on spectral analysis
Elena M. BasaryginaNatalia A. Pakhomova2, Tatyana A. Putilova3
12 South Ural State University, Chelyabinsk, Russia
3 Ural State University of Railway Engineering, Chelyabinsk Institute of Railway Engineering (branch), Chelyabinsk, Russia
1 b_e_m@mail.ruB', https://orcid.org/0000-0002-8159-5565
2 natali-pakhomova@mail.ru, https://orcid.org/0000-0002-6387-124
3 t_a_p@mail.ru, https://orcid.org/0000-0002-4325-8476
Abstract
Introduction. Digital maps and information models are one of the ways to present a field passport, that is, a visual database obtained based on the analysis of land resources and reflecting reliable information about the condition of a particular land plot. Over the past decade, public interest in precision farming technologies, monitoring of production and technological processes and environmental protection issues has increased markedly.
Materials and methods. The initial stage of compiling a digital model is monitoring the state of land resources. Classical methods of chemical analysis and modern methods of instrumental analysis, including spectrometry, are used to carry out such monitoring. Many spectroscopic methods, including the X-ray fluorescence analysis used, act non-destructively, which makes it possible to repeatedly perform different analyses of the same sample. Results and discussion. As a result of the conducted research, digital soil models were built (using the example of the soils of the Chelyabinsk region). The obtained models, which clearly reflect the content of heavy metals, are recommended for use in making managerial decisions in the field of agro-industrial complex. The use of these models contributes to the transition to digital crop production technologies.
Conclusion. Currently, agricultural producers are increasingly using technologies based on digital data, which are used to manage and optimize production.
Keywords: digital modeling, elemental composition, soils, spectral analysis, correlation analysis
For citation: Basarygina E. M., Pakhomova N. A., Putilova T. A. Digital modeling of soil composition based on spectral analysis // Bulletin NGIEI. 2024. № 3 (154). P. 7-17. DOI: 10.24412/2227-9407-2024-3-7-17. EDN: LKEQLG
Введение
Почвенные ресурсы, входящие в состав при-родно-ресурсного потенциала, являются основой экономического развития территорий. В настоящее время, по данным аграрного комитета Госдумы, до 50 % площади пашни не задействовано в сельскохозяйственном обороте. Возврат в оборот залежных земель - актуальная народнохозяйственная проблема, имеющая важное значение для Челябинской области.
Уровень значимости. Президент Российской Федерации Путин В. В. поручил как можно быстрее завершить подготовку проекта государственной программы эффективного вовлечения земель сельхозназначения в оборот и развитие мелиоративного комплекса Российской Федерации.
Рекультивация предусматривает реализацию комплекса мер по экологическому и экономическому восстановлению земель, плодородие которых в
результате человеческой деятельности существенно снизилось. Целью проведения рекультивации является улучшение условий окружающей среды, восстановление продуктивности земель. Биологическая рекультивация земель включает комплекс агротехнических и фитомелиоративных мероприятий по восстановлению плодородия. Главная цель рекультивации заключается в содействии естественному восстановлению природных экосистем, возврату земель в первоначальное природопользование. Залежные земли, представляющие собой пашни, не обрабатываемые длительный период (свыше 20-25 лет) -значимый резерв в развитии сельскохозяйственного производства. В настоящее время, по данным аграрного комитета Госдумы, до половины площади пашни Российской Федерации не используется. В связи с этим разработка инновационных подходов биологической рекультивации залежных земель является важной народнохозяйственной проблемой,
технологии, машины и оборудование ] для агропромышленного комплекса ]
имеющей большое научное и практическое значение.
Проблема вовлечения залежных земель в сельскохозяйственный оборот актуальна и для Челябинской области, поскольку залежи составляют более 40 % всех земельных ресурсов. Возврат земель в первоначальное природопользование возможен при эффективной рекультивации залежей, что позволит содействовать естественному восстановлению природных экосистем. Эффективное использование залежных земель предполагает разработку цифровых моделей паспорта поля на основе исследований содержания макро- и микроэлементов в почве. В статье проведено исследование залежных земель Челябинской области с помощью рентгено-флуоресцентного анализа и составление на его основе цифровой модели паспорта поля.
Общая площадь сельскохозугодий в Уральском регионе составляет 13,9 млн га (около восьми процентов от общероссийской). В регионе имеется высокий потенциал развития сельского хозяйства: около двадцати процентов всех залежных земель Российской Федерации сосредоточены в Уральском федеральном округе. Эти земли могут в перспективе составить основу роста агропроизводства. Важным преимуществом региона являются южные области: Курганская, Челябинская и, частично, Тюменская, которые находятся на территории «зернового пояса» нашей страны. Как известно, на землях, ушедших в залежь, развивается специфичная растительность, формирующаяся за счёт группы сорных растений и адвентивной флоры, что влияет на состав почв.
Технологии точного земледелия, основанные на цифровых данных, использующихся для управления и оптимизации производства, в настоящее время активно используются сельхозтоваропроизводителями [1; 2; 3; 4; 5; 6]. К технологиям цифрового растениеводства относится разработка «цифровых карт» сельскохозяйственных угодий, которые составляются на основе результатов анализа земельных ресурсов, в том числе элементного. Такие карты, способствующие переходу к рациональному внесению удобрений, учитывающему потребности различных участков поля в микро-, макроэлементах, позволяют составить рекомендации по сельхозобо-роту и средствам защиты растений. Цифровые карты и информационные модели почв являются одним из способов представления паспорта поля как наглядной базы данных, отражающей достоверную
информацию о состоянии конкретного земельного участка [7; 8]. Внедрение технологий цифрового растениеводства позволяет повысить урожайность до 20 % и снизить расходы на семена и удобрения до 25 % [7; 9; 11]. Решение задачи цифрового моделирования земель, позволяющего принимать оптимальные управленческие решения, учитывающие состояние земельных ресурсов, актуально и для агропромышленного комплекса Челябинской области. В связи с этим, целью исследований являлось построение цифровых моделей элементного состава почв на основе данных спектрального анализа. Задачи исследования включали:
- спектральный (энергодисперсионный рентгенофлуоресцентный) анализ почв Челябинской области;
- математическую обработку результатов анализа;
- разработку цифровых моделей.
Обработка экспериментальных данных элементного анализа почв представляет собой прикладную задачу, причем решение любой прикладной задачи начинается с построения ее модели. Структурированные данные, связанные с элементным анализом земель, могут использоваться при принятии эффективных управленческих решений в сфере агропромышленного комплекса (рисунок 1).
111
Рис. 1. Пример цифровой модели Fig. 1. Example of a digital model Источник: разработано авторами на основе исследований
Важной информацией, использующейся в процессе принятия таких решений, являются достоверные сведения о содержании в почвах макро- и микроэлементов, в частности, свинца, кадмия, цинка, марганца, кобальта, хрома и т. д. Как известно, при описании модели анализируются все суще-
Вестник НГИЭИ. 2024. № 3 (154). C. 7-17. ISSN 2227-9407 (Print) Bulletin NGIEI. 2024. № 3 (154). P. 7-17. ISSN 2227-9407 (Print)
V^W^VWW^V ТРГНМП! nniFS МЛГШМРЯ ЛМП FflI IIPMFNT WWW^^WW
WVW^^WWV^^ РПР THF АПРП-ШППЯТША I ГПМР1 rvV^^VWW^^WW
ственные характеристики объекта или явления, учитываются значимые свойства и отбрасываются второстепенные. Таким образом получается информационно-логическая модель, отражающая все взаимосвязи взаимозависимости. Структуризация ис-
ходных данных позволяет представить их в виде таблицы и получить реляционную модель состава почвы. Эти данные, визуализируемые с помощью диаграмм, делают модель более наглядной (рисунок 2).
Рис. 2. Методика построения цифровой модели Fig. 2. Methodology for constructing a digital model Источник: разработано авторами на основе исследований
Материалы и методы
Начальным этапом составления цифровой модели является мониторинг состояния земельных ресурсов. Исследования по изучению состава залежных земель Челябинской области проводились с помощью метода рентгенофлуоресцентного анализа. При проведении экспериментов использовался спектрометр. Для осуществления такого мониторинга применяются классические методы химического анализа и современные методы инструментального анализа, в том числе спектрометрия [12; 13; 14; 15; 16] (рисунок 3).
Многие спектроскопические методы действуют недеструктивно, что позволяет неоднократно производить различный анализ одной и той же пробы [12; 17; 18].
С помощью спектроскопических методов удается решать следующие задачи:
- нахождение и добыча сырьевых ресурсов;
- разработка новых изделий и технологий;
- проектирование и оптимизация производственных процессов;
- обеспечение требуемого качества производимой продукции.
Для успешного проведения мониторинга производственно-технологических процессов (в том числе экологического мониторинга) необходимо знать исходное, фоновое содержание элементов в природных объектах. При этом часто требуется определить концентрацию ряда элементов на уровне 10"4...10"7 % и ниже в образцах сложного состава; достоверно отличить фоновое содержание элементов в объектах окружающей среды от техногенных составляющих [17; 18; 19; 20].
При определении состава проб используются различные методы спектрального анализа, отличающиеся по своим основным характеристикам: чувствительности, селективности, воспроизводимости, производительности и экономичности.
К числу наиболее перспективных относится рентгенофлуоресцентный метод анализа, который широко применяется в работе научно-исследовательских лабораторий, так как обладает рядом преимуществ по сравнению с известными методами [9; 10; 17]. Для спектрального анализа земельных ресурсов применялся спектрометр Яаупу ББХ-720 Shimadzu.
технологии, машины и оборудование ] для агропромышленного комплекса ]
МЕТОДЫ ОПРЕДЕЛЕНИЯ ЗАГРЯЗНЯЮЩИХ ВЕЩЕСТВ В БИОСФЕРЕ / METHODS FOR DETERMINING POLLUTANTS IN THE BIOSPHERE
Гравиметрический / Gravimetric Титриметрический / Titrimetric
Спектрофотометрия видимой части / Ультрафиолетовая спектрофотометрия / Visible Spectrophotometry Ultraviolet spectrophotometry
Пламенная эмиссионная спектроскопия / Атомно-абсорбционная спектроскопия / Flame emission spectroscopy Atomic absorption spectroscopy
Газовая хроматография / Вольтамперометрия /
Gas chromatography Voltammetry
Спектрофлуориметрия / Spectrofluorimetry Рентгенофлуоресцентная спектрометрия / X-ray fluorescence spectrometry
Жидкостная хроматография / Liquid chromatography Полярография / Polarography
Инфракрасная спектрофотометрия / Infrared spectrophotometry Микробиологический / Microbiological
Рис. 3. Методы определения химических элементов в биосфере:
■ - твердый; □- жидкий; □ - газообразный образцы Fig. 3. Methods for determining chemical elements in the biosphere: ■ - solid; □ - liquid; □ - gaseous samples Источник: разработано авторами на основе исследований
Для изучения зависимости между содержанием элементов в почве использовались методы корреляционного и регрессионного анализа. На основании этих методов определялось:
- наличие связи между элементами;
- изучалась теснота связи двух величин, линейно связанных между собой (с помощью коэффициента корреляции).
Нахождение параметров уравнения, выражающего связь средних значений зависимой перемен-
[ technologies, machines and equipment ; for the agro-industrial complex
ной со значениями независимой переменной, выполнялось с помощью метода наименьших квадратов. Расчеты производились с использованием пакета статистического анализа программы Ms Excel.
Определение силы связи между содержанием химических элементов: Cd-Pb, Cd-Mg, Pb-Mg проводилось для почв Челябинской области. На основе эмпирических значений построено корреляционное поле, по виду которого можно предположить линейную зависимость между случайными величинами. Исходя из этого, определялась теснота линейной корреляционной зависимости. С учетом предположения, что величины распределены по нормальному закону, рассчитывалось значение коэффициента корреляции [12; 18]:
n n
Г = -
xy
nX x,y, -X x X y i=1 i=1 i=1
, (1)
nXxi -\ Xx
=1 vi=i
nX yi -\ X y
i=1 v i=1
где Х(, у; - содержание химического элемента (Са-
рь, са-ме, рь-м§).
Коэффициент корреляции проверялся на значимость с использованием нулевой гипотезы: коэффициент корреляции значимо отличается от нуля. Для проверки гипотезы использовался критерий Стьюдента [10; 11]:
^расч
= Vn - 2,
(2)
1 -г,
ху
расч > ^кр означало, что
где п - объем выборки.
Соблюдение условия £ коэффициент корреляции значимо отличается от нуля, следовательно, связь является статистически значимой [15].
При разработке цифровой модели использовалось представление полученных данных в виде схем, графиков или диаграмм с целью визуализации результатов (рисунок 4).
-Element i —б-Element I -Element 3
Рис. 4. Фрагмент цифровой модели почв Fig. 4. Fragment of a digital soil model Источник: разработано авторами на основе исследований
Результаты и обсуждение
На основании результатов спектрального анализа почв установлено, что содержание ряда элементов (кадмий, свинец, магний) превышало допустимую концентрацию.
Для указанных элементов рассчитывалась взаимосвязь (табл. 1). На основании соответствующих расчетов был сделан вывод о том, что между содержанием элементов Са-Ме связь очень слабая
(Гу « 0,13); элементов Са-РЬ связь прямая умеренная (Гу « 0,33); элементов РЬ-Ме связь прямая умеренная (г-у « 0,56).
При 5 % уровне значимости критическое значение статистики составило 2,08. Поскольку для элементов РЬ-Ме соблюдалось условие £расч > £кр, коэффициент корреляции значимо отличался от нуля. Следовательно, был сделан вывод о том, что связь является значимой.
n
2
2
n
n
nn
технологии, машины и оборудование ] для агропромышленного комплекса ]
Таблица 1. Результаты корреляционного анализа Table 1. Results of correlation analysis
№ п/п
Элементы / Elements
Коэффициент корреляции / Correlation coefficient
t
расч
1 Cd-Pb 0,1338
2 Cd-Mg 0,3302
3 Pb-Mg 0,5611 Источник: разработано авторами на основе исследований
0,59 1,52 2,95
Полученные результаты свидетельствуют о том, что между значениями содержания элементов РЬ-Ме в почве существует умеренная прямая связь.
Далее составлялось уравнение регрессии, выражающее зависимость содержания цинка от со-
держания свинца в почве. Коэффициенты уравнения регрессии найдены с использованием метода наименьших квадратов. Корреляционное поле и эмпирическая линия регрессии для РЬ-Ме представлена на рисунке 5.
Рис. 5. Корреляционное поле и линия регрессии Fig. 5. Correlation field and regression line Источник: разработано авторами на основе исследований
После проведенных вычислений по результатам спектрального анализа почв построена цифровая модель (рисунок 6). Данная модель визуализирует содержание тяжелых металлов (кадмия,
свинца, магния) в исследуемых земельных ресурсах Челябинской области. Анализ модели выявил значительное содержание одного из элементов -свинца.
Рис. 6. Цифровая модель анализируемой почвы Fig. 6. Digital model of the analyzed soil Источник: разработано авторами на основе исследований
Вестник НГИЭИ. 2024. № 3 (154). C. 7-17. ISSN 2227-9407 (Print) Bulletin NGIEI. 2024. № 3 (154). P. 7-17. ISSN 2227-9407 (Print)
V^W^VWW^V ТРГНМП! nniFS МЛГШМРЯ ЛМП FflIIIPMFNT WWW^^WW
WVW^^WWV^^ FnR THF АПРП.1МПИЯТР1А I ГПМР1 rvV^^VWW^^WW
Проведенные расчеты, выполненные по результатам спектрального анализа почв, позволили построить цифровую модель (рисунок 6). Данная модель визуализирует содержание ряда элементов (кадмия, свинца, магния) в исследуемых земельных ресурсах Челябинской области.
Заключение
Состояние почвенных ресурсов, являющихся основой экономического развития территорий, требует постоянного мониторинга. Эффективное использование земель, в том числе залежных, предполагает разработку цифровых моделей паспорта поля. В паспорте поля содержится информация о концентрации микро- и макроэлементов, полученная с использованием соответствующих методов анализа. Преимуществами рентгенофлуорисцентного метода являются недеструктивность и экспрессность.
Цифровые карты и информационные модели почв служат наглядным способом представления паспорта поля и отражают достоверную информацию о химическом составе земельных участков. Целью исследований являлось посторенние цифровых моделей химического состава почв Челябинской области на основе данных энергодисперсионного рентгенофлуоресцентного анализа. Для изучения зависимости между содержанием элементов в почве использовались методы корреляционного и регрес-
сионного анализа. На основании этих методов определялось: наличие связи между элементами; изучалась теснота связи двух величин, линейно связанных между собой (с помощью коэффициента корреляции). Нахождение параметров уравнения, выражающего связь средних значений зависимой переменной со значениями независимой переменной, выполнялось с помощью метода наименьших квадратов. Расчеты производились с использованием пакета статистического анализа программы MS Excel.
Определение силы связи между содержанием химических элементов: Cd-Pb, Cd-Mg, Pb-Mg проводилось для почв Челябинской области. На основе эмпирических значений построено корреляционное поле, по виду которого можно предположить линейную зависимость между случайными величинами. Исходя из этого, определялась теснота линейной корреляционной зависимости.
В результате проведенных исследований построены цифровые модели почвы. Данные модели, наглядно отражающие содержание элементного состава почв, рекомендуются к использованию при принятии управленческих решений в сфере агропромышленного комплекса. Применение данных моделей способствует переходу к технологиям цифрового растениеводства.
СПИСОК ИСТОЧНИКОВ
1. Alam M., Nosnikov V. V. Improving pinus pinea plantation success with hydrogel // Proceeedings of BSTU. Issue 1, Forestry, Nature Management, Processing of Renewable Resources. 2023. № 2 (270). Р. 60-66. DOI: 10.52065/2519-402X-2023-270-2-8
2. Basarygina E. M., Pakhomova N. A., Akulich O. E. Development of an information and analytical model of soils based on X-ray fluorescence analysis // Ensuring Food Security in the Context of the COVID-19 Pandemic (EFSC2021). Doushanbe, Republic of Tadjikistan, 2021. Р. 07016. DOI: 10.1051/e3sconf/202128207016
3. Basarygina E. M., Zybalov V. S., Pakhomova N. A., Akulich O. E. Information-analytical modeling of soil composition based on spectral analysis // International Scientific and Practical Conference: Development of the Agro-Industrial Complex in the Context of Robotization and Digitalization of Production in Russia and Abroad, DAICRA 2021. 2022. Р. 012129. EDN: ZCGPPM
4. Kenessov B. N., Kapar A. A. Optimization of headspace solid-phase microextraction of volatile organic compounds from dry soil samples by porous coatings using comsol multiphysics // Chemical Bulletin of Kazakh National University. 2022. Т. 107. № 4. Р. 4-12. DOI:10.15328/cb1300
5. Kurmanbayev A. A., Mussayeva K. K., Yermek Sh. G. Soil biological activity and its indicators in soil quality monitoring: mini - review // Почвоведение и агрохимия. 2023. № 3. С. 99-108. DOI: 10.51886/1999-740X_2023_3_99
6. Бацтыбеков К. С., Кабжанова Г. Р., Айымбетов А. А., Алибаева М. Т. Топыракгыц ^нарлылыщ децгешн ба^ылауда ж^з деректерш пайдалану // Вестник Евразийского национального университета имени Л. Н. Гумилева. Астана. 2020. № 2 (131). С. 78-84. DOI: 10.32523/2616-6771-2020-131-2-78-84
ХХХХХХХХХХХ технологии, машины и оборудование ХХХХХХХХХХХ ХХХХХХХХХХХ для агропромышленного комплекса ХХХХХХХХХХХ
7. Воротников И. Л. Эффективность применения цифровых технологий в управлении земельными ресурсами муниципальных образований Саратовской области // Аграрный научный журнал. 2018. № 6. С. 76-81. EDN: XRRIHJ
8. Загорулько Д. Р., Ключникова А. В. Математические методы расчёта структуры почвы и влажности гумусового горизонта // Математика в аграрном образовании. Ставрополь. 2019. С. 55-59. EDN: EKBIKE
9. Зеленков Н. А., Зубарев Ю. Н., Фомин Д. С., Фалалеева Л. В. Автоматизированные пробоотборники для экспресс-мониторинга почв // Агротехнологии XXI века: стратегия развития, технологии и инновации. Пермь. 2022. С. 20-22. EDN: BEAURN
10. Капов С. Н., Латыпов Р. М., Латыпов Р. Р., Адуов М. А. Повышение эффективности технологических процессов в растениеводстве // Механизация и электрификация сельского хозяйства. Ставрополь. 2009. № 3. С. 4-6. EDN: KPYDNJ
11. Койчуманов З. Т. Кыргыз республикасында улуттук топурак маалымат системасын тузуу жана ещктуруу (талас облусунун мисалында) // Известия ВУЗов Кыргызстана. 2021. № 4. С. 61-63. EDN: TWCTVH
12. Койчуманов З. Т. Талас облусунун топурак маалымат системасын тузуу жана енYктYPYY // Известия ВУЗов Кыргызстана. 2022. № 5. С. 59-62. EDN: TWCTVH
13. Костина Л. В., Куюкина М. С., Ившина И. Б. Методы очистки загрязненных тяжелыми металлами почв с использованием (био)сурфактантов (обзор) // Вестник Пермского университета. Пермь. 2009. № 10 (36). С. 95-110. EDN: PAVDRX
14. Кузнецов В. С., Байвердиев А. А. Повышение качества продукции сельского хозяйства за счет применения беспилотных летательных аппаратов в системе точного земледелия // Россия - Азия - Африка - Латинская Америка: экономика взаимного доверия. Екатеринбург. 2019. С. 231-234. EDN: AAUOZX
15. Легостаев М. С. Агрономическая наука: прошлое и настоящее // Аграрная наука и образование Тюменской области: связь времен. Тюмень. 2019. С. 458-462. EDN: GEKMDR
16. Лужецкий В. В., Паньков Д. Н., Бугорский И. А. Методы механизированного отбора проб почвы для проведения агрохимическиго анализа // Современные перспективы развития гибких производственных систем в промышленном гражданском строительстве и агропромышленном комплексе. Курск, 2023. С. 89-92. EDN: IRBRLE
17. Лужецкий В. В., Паньков Д. Н., Бугорский И. А. Перспективы использования автоматического отбора проб почвы для проведения агрохимического анализа // Современные перспективы развития гибких производственных систем в промышленном гражданском строительстве и агропромышленном комплексе. Курск, 2023. С. 92-95. EDN: HTHWZH
18. Малышева А. Г., Рахманин Ю. А., Растянников Е. Г., Козлова Н. Ю. Химико-аналитические аспекты исследования комплексного действия факторов окружающей среды на здоровье населения // Гигиена и санитария. 2015. Т. 94 (7). С. 5-10. EDN VCKPOR
19. Рябцова С. А., Гаркуша С. В., Чижиков В. Н., Швыдкая Л. А. Химический анализ и закладка опытов на затопляемых почвах // Краснодар, 2019. DOI: 10.18411/ISBN978-5-907167-78-0
20. Сальникова Е. В. Цинк - эссенциальный микроэлемент // Вестник ОГУ. Омск. 2012. № 10 (146). С. 170. EDN: PXFMRH
Дата поступления статьи в редакцию 07.12.2023; одобрена после рецензирования 10.01.2024;
принята к публикации 12.01.2024.
Информация об авторах:
Е. М. Басарыгина - д.т.н., профессор, зав. кафедрой «Математические и естественнонаучные дисциплины», тел. 8-904-978-51-71, Spin-код: 8214-9240;
Н. А. Пахомова - к.п.н., доцент кафедры «Математические и естественнонаучные дисциплины», тел. 8-963080-98-36, Spin-код: 9566-0908;
Т. А. Путилова - к.т.н., доцент кафедры «Общепрофессиональные дисциплины», тел. 8-904-978-51-71, AuthorlD: 807652.
V^W^VWW^V ТРГНМП! nniFS МЛГШМРЯ ЛМП FflIIIPMFNT WWW^^WW
technologies, machines and equipment
WVW^^WWV^^ FHP TUP AiZRn.INnilSTItlA I ГПМР1 rvV^^VWW^^WW
for the agro-industrial complex
Заявленный вклад авторов: Басарыгина Е. М. - общее руководство проектом, анализ и дополнение текста статьи. Пахомова Н. А. - сбор и обработка материалов, подготовка текста статьи. Путилова Т. А. - сбор и обработка материалов, подготовка первоначального варианта текста
Авторы заявляют об отсутствии конфликта интересов.
REFERENCES
1. Alam M., Nosnikov V. V. Improving pinus pinea plantation success with hydrogel, Proceeedings of BSTU. Issue 1, Forestry, Nature Management, Processing of Renewable Resources, 2023, No. 2 (270), pp. 60-66, DOI: 10.52065/2519-402X-2023-270-2-8
2. Basarygina E. M., Pakhomova N. A., Akulich O. E. Development of an information and analytical model of soils based on X-ray fluorescence analysis, Ensuring Food Security in the Context of the COVID-19 Pandemic (EFSC2021), Doushanbe, Republic of Tadjikistan, 2021, 07016. DOI: 10.1051/e3sconf/202128207016
3. Basarygina E. M., Zybalov V. S., Pakhomova N. A., Akulich O. E. Information-analytical modeling of soil composition based on spectral analysis, International Scientific and Practical Conference: Development of the Agro-Industrial Complex in the Context of Robotization and Digitalization of Production in Russia and Abroad, DAICRA 2021, 2022, 012129, EDN: ZCGPPM
4. Kenessov B. N., Kapar A. A. Optimization of headspace solid-phase microextraction of volatile organic compounds from dry soil samples by porous coatings using comsol multiphysics, Chemical Bulletin of Kazakh National University, 2022, Vol. 107, No. 4, pp. 4-12, DOI:10.15328/cb1300
5. Kurmanbayev A. A., Mussayeva K. K., Yermek Sh. G. Soil biological activity and its indicators in soil quality monitoring: mini - review, Soil science and agrochemistry, 2023, No. 3, pp. 99-108, DOI: 10.51886/1999-740X_2023_3_99
6. Baktybekov K. S., Kabzhanova G. R., Ayymbetov A. A., Alibayeva M. T. Topyraktyn kunarlylyk degeyin bakylaud zhkz derekterin paidalan [Use of remote sensing data in soil fertility control], Vestnik Evrazijskogo nacion-al'nogo universiteta imeni L. N. Gumileva [Bulletin of the L. N. Gumilev Eurasian National University], Astana, 2020, No. 2 (131), pp. 78-84, DOI: 10.32523/2616-6771-2020-131-2-78-84
7. Vorotnikov I. L. Effektivnost' primeneniya cifrovyh tekhnologij v upravlenii zemel'nymi resursami munici-pal'nyh obrazovanij Saratovskoj oblasti [The effectiveness of the use of digital technologies in the management of land resources of municipalities of the Saratov region], Agrarnyj nauchnyj zhurnal [Agrarian Scientific Journal], 2018, No. 6, pp. 76-81, EDN: XRRIHJ
8. Zagorulko D. R., Klyuchnikova A. V. Matematicheskie metody raschyota struktury pochvy i vlazhnosti gumusovogo gorizonta [Mathematical methods for calculating the soil structure and moisture content of the humus horizon], Matematika v agrarnom obrazovanii [Mathematics in agricultural education], Stavropol, 2019, pp. 55-59, EDN: EKBIKE
9. Zelenkov N. A., Zubarev Yu. N., Fomin D. S., Falaleeva L. V. Avtomatizirovannye probootborniki dlya ek-spress-monitoringa pochv [Automated samplers for express soil monitoring], Agrotekhnologii XXI veka: strategiya razvitiya, tekhnologii i innovacii [Agrotechnologies of the XXI century: development strategy, technologies and innovations], Perm, 2022, pp. 20-22, EDN: BEAURN
10. Kapov S. N., Latypov R. M., Latypov R. R., Aduov M. A. Povyshenie effektivnosti tekhnologiche-skih processov v rastenievodstve [Improving the efficiency of technological processes in crop production], Mekhanizaci-ya i elektrifikaciya sel'skogo hozyajstva [Mechanization and electrification of agriculture], Stavropol, 2009, No. 3, pp. 4-6, EDN: KPYDNJ
11. Koichumanov Z. T. Kyrgyz republikasynda uluttuk topurak maalymat sistemasyn tuzu zhana onukturu (talas oblusunun misalynda), Izvestiya VUZov Kyrgyzstan [News of universities of Kyrgyzstan], 2021, No. 4, pp. 61-63, EDN: TWCTVH
12. Koichumanov Z. T. Talas oblusunun topurak maalymat sistemasyn tuzu zhana onukturu, Izvestiya VUZov Kyrgyzstan [News of universities of Kyrgyzstan], 2022, No. 5, pp. 59-62, EDN: TWCTVH
ХХХХХХХХХХХ технологии, машины и оборудование ХХХХХХХХХХХ ХХХХХХХХХХХ для агропромышленного комплекса ХХХХХХХХХХХ
13. Kostina L. V., Kuyukina M. S., Ivshina I. B. Metody ochistki zagryaznennyh tyazhelymi metallami pochv s ispol'zovaniem (bio)surfaktantov (obzor) [Methods of purification of soils contaminated with heavy metals using (bio)surfactants (review)], Vestnik Permskogo universiteta [Bulletin of the Perm University], Perm, 2009, No. 10 (36), pp. 95-110, EDN: PAVDRX
14. Kuznetsov V. S., Baiverdiev A. A. Povyshenie kachestva produkcii sel'skogo hozyajstva za schet prime-neniya bespilotnyh letatel'nyh apparatov v sisteme tochnogo zemledeliya [Improving the quality of agricultural products through the use of unmanned aerial vehicles in precision agriculture], Rossiya - Aziya - Afrika - Latinskaya Amerika: ekonomika vzaimnogo doveriya [Russia - Asia - Africa - Latin America: the economy of mutual trust], Yekaterinburg, 2019, pp. 231-234, EDN: AAUOZX
15. Legostaev M. S. Agronomicheskaya nauka: proshloe i nastoyashchee [Agronomic science: past and present], Agrarnaya nauka i obrazovanie Tyumenskoj oblasti: svyaz' vremen [Agrarian science and education of the Tyumen region: the connection of times], Tyumen, 2019, pp. 458-462, EDN: GEKMDR
16. Luzhetsky V. V., Pankov D. N., Bugorsky I. A. Metody mekhanizirovannogo otbora prob pochvy dlya provedeniya agrohimicheskigo analiza [Methods of mechanized soil sampling for agrochemical analysis], Sovremen-nye perspektivy razvitiya gibkih proizvodstvennyh sistem v promyshlennom grazhdanskom stroitel'stve i agropromysh-lennom komplekse [Modern prospects for the development of flexible production systems in industrial civil engineering and the agro-industrial complex], Kursk, 2023, pp. 89-92, EDN: IRBRLE
17. Luzhetsky V. V., Pankov D. N., Bugorsky I. A. Perspektivy ispol'zovaniya avtomaticheskogo otbora prob pochvy dlya provedeniya agrohimicheskogo analiza [Prospects of using automatic soil sampling for agrochemical analysis], Sovremennye perspektivy razvitiya gibkih proizvodstvennyh sistem v promyshlennom grazhdanskom stroitel'stve i agropromyshlennom komplekse [Modern prospects for the development of flexible production systems in industrial civil engineering and the agro-industrial complex], Kursk, 2023, pp. 92-95, EDN: HTHWZH
18. Malysheva A. G., Rakhmanin Yu. A., Rastiannikov E. G., Kozlova N. Yu. Himiko-analiticheskie aspekty is-sledovaniya kompleksnogo dej stviya faktorov okruzhayushchej sredy na zdorov'e naseleniya [Chemical and analytical aspects of the study of the complex effect of environmental factors on public health], Gigiena i sanitariya [Hygiene and sanitation], 2015, Vol. 94 (7), pp. 5-10, EDN: VCKPOR
19. Ryabtsova S. A., Garkusha S. V., Chizhikov V. N., Shvydkaya L. A. Himicheskij analiz i zakladka opytov na zatoplyaemyh pochvah [Chemical analysis and laying experiments on flooded soils], Krasnodar, 2019. DOI: 10.18411/ISBN978-5-907167-78-0
20. Salnikova E. V. Cink - essencial'nyj mikroelement [Zinc is an essential trace element], Vestnik OGU [Bulletin of the OSU], Omsk, 2012, No. 10 (146), pp. 170, EDN: PXFMRH
The article was submitted 07.12.2023; approved after reviewing 10.01.2024; accepted for publication 12.01.2024.
Information about the authors: E. M. Basarygina - Dr. Sci. (Engineering), Professor, Head of the Department of Mathematical and Natural Sciences, tel. 8-904-978-51-71, Spin-code: 8214-9240;
N. A. Pakhomova - Ph. D. (Engineering), Associate Professor of the Department of Mathematical and Natural Sciences, tel. 8-963-080-98-36, Spin-code: 9566-0908;
T. A. Putilova - Ph. D. (Engineering), Associate Professor of the Department of General Professional Disciplines, tel. 8-904-978-51-71, AuthorID: 807652.
The declared contribution of the authors: Basarygina E. M. - general project management, analysis and addition of the text of the article. Pakhomova N. A. - collection and processing of materials, preparation of the text of the article. Putilova T. A. - collection and processing of materials, preparation of the initial version of the text.
The authors declare that there is no conflict of interest.
