Информационно-методическое обеспечение агроэкологических моделей продукционного процесса озимой пшеницы на дерново-подзолистых почвах в условиях Центральной России тема диссертации и автореферата по ВАК РФ 03.02.08, кандидат наук Пивченко Дмитрий Викторович

• Пивченко Дмитрий Викторович
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Пивченко Дмитрий Викторович

ВВЕДЕНИЕ

Глава 1 Обзор литературы: почвенно-агроэкологическое моделирование продукционного процесса как основа цифровизации при выращивании озимой пшеницы

1.1 Задача цифровизации сельского хозяйства России

1.1.1 Составляющие цифровизации сельского хозяйства

1.1.2 Точное земледелие

1.1.3 Информационно-методическое обеспечение почвенно-агроэкологического мониторинга

1.1.4 Системы поддержки и принятия решений

1.2 Особенности продукционного процесса озимой пшеницы и ее народнохозяйственное значение

1.3 Система поддержки и принятия агротехнологических решений для переноса агротехнологий (DSSAT)

1.3.1 Общая характеристика ОББАТ

1.3.2 Компоненты ОББАТ

1.3.3 Минимальный набор данных для моделирования

1.4 Использование беспилотных летательных аппаратов (БПЛА) для агроэкологического мониторинга

1.4.1 Мониторинг сельскохозяйственных земель

1.4.2 Вегетационные индексы - основа оперативной обработки данных

Глава 2 Объекты и методы исследований

2.1 Полевые агроэкосистемы с озимой пшеницей на Полевой опытной станции РГАУ-МСХА имени К.А. Тимирязева в 2015-2017 гг

2.1.1 Общая характеристика объектов исследования

2.1.2 Агроклиматические условия проведения экспериментов

2.1.3 Характеристика почвенных условий

2.1.4 Агротехнологическая характеристика объекта

2.1.5 Особенности озимой пшеницы сорта Звезда

2.2 Методы исследований

2.2.1 Полевые методы исследований

2.2.2 Лабораторные методы исследований

2.2.3 Дистанционные исследования с помощью БПЛА

2.2.4 Информационно-аналитические методы

2.2.5 Подготовка данных для настройки CERES-Wheat модели по данным 2015-2016 гг

2.2.6 Подготовка данных для тестирования CERES-Wheat модели по данным 2016-2017 гг

Глава 3 Агроэкологический мониторинг продукционного процесса озимой пшеницы в 2015-2017 гг

3.1 Рост растений и густота стеблестоя

3.2 Динамика проективного покрытия посевов

3.3 Параметры биомассы в период цветения растений

3.4 Характеристики урожая

3.5 Зависимости характеристик урожая от параметров биомассы на ранних стадиях развития растений

Глава 4 Локализация модели DSSAT

4.1 Настройка модели CERES-Wheat путем подбора коэффициентов модели

4.2 Анализ чувствительности модели, настроенной по сезону, близкому к среднемноголетнему

4.3 Тестирование модели по сезону более холодному и влажному по сравнению со среднемноголетним

Глава 5 Исследование агроэкологических зависимостей для параметров биомассы озимой пшеницы

5.1 Анализ влияния агротехнологий, применяемых на Полевой опытной станции РГАУ-МСХА

5.2 Изменение во времени параметров биомассы пшеницы на вариантах с отвальной и нулевой способами обработки почвы

Глава 6 Исследование зависимостей между данными дистанционного зондирования с БПЛА и параметрами биомассы озимой пшеницы

6.1 Зависимость между урожаем озимой пшеницы по делянкам в

целом и индексом NDVI

6.2 Сравнительный анализ информативности вегетационных

индексов для оценки биомассы

ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

Введение диссертации (часть автореферата) на тему «Информационно-методическое обеспечение агроэкологических моделей продукционного процесса озимой пшеницы на дерново-подзолистых почвах в условиях Центральной России»

ВВЕДЕНИЕ

Актуальность. Одна из задач агроэкологии - информационно-методическое обеспечение устойчивого производства качественной биологической продукции при максимальном использовании природного биоэнергетического потенциала агроэкосистем [Агроэкология, 2000; 2004]. Озимая пшеница - это важнейшая сельскохозяйственная культура южнотаежной зоны, обеспечивающая продовольственную безопасность России.

Эффективность, заявленная в качестве приоритетного направления для развития в России цифровой экономики, зависит от совершенствования информационных технологий. Задача внедрения цифрового земледелия в России актуализирует задачи использования агроэкологических моделей продукционного процесса, описывающих продукционный процесс в конкретный период и на конкретном поле. Однако, существующие модели продукционного процесса как правило имеют региональную привязку при использовании глобальных программ [Савин, Столбовой, ван Диепен, 2000; The DSSAT ... , 2003; Локальная информационно-справочная система ... , 2005; Васенёв, 2005; Модели продукционного процесса ... , 2006; Романенков, 2015]. Таким образом, возникает потребность в разработке инструментария, который бы позволил прогнозировать результаты внедрения определенных агротехнологий на любой срок и в любом месте.

Повышенный спрос на математические модели в сельском хозяйстве обуславливается необходимостью точной оценки прогнозируемого урожая на ранних стадиях развития растений, анализом преимуществ и рисков той или иной системы земледелия до начала возделывания культуры [Шатилов, Чудновский, 1980]. Система DSSAT (The Decision Support System for Agrotechnology Transfer, далее - DSSAT) - наиболее распространенная в мире система поддержки и принятия агротехнологических решений. Она применяется для моделирования развития биомассы и прогнозирования урожая 42 сельскохозяйственных культур с учетом почвенных и

климатических условий и метеорологических особенностей конкретного года Применение цифровых инструментов для облегчения адекватного выбора агротехнологий особенно актуально для дерново-подзолистых почв, характеризующихся пониженным уровнем природного плодородия и повышенной пестротой почвенного покрова [Савич, 1981; Аканова, 2001; Яшин, Раскатов, Васенев, 2015; Кидин, Торшин, 2016].

Использование беспилотных летательных аппаратов (БПЛА) в сельском хозяйстве может значительно упростить мониторинг за состоянием посевов, снизить производственные затраты и прогнозировать урожай [Применение беспилотных ... , 2015]. На основании данных дистанционного зондирования можно рассчитать основные параметры культуры (биомассу, индекс листовой поверхности (LAI), высоту растений) и прогнозировать сроки биологического созревания зерновых культур, внесение удобрений и оптимальные сроки начала уборки [Estimation of biomass ... , 2016].

Вегетационные индексы, часто используемые для обработки данных дистанционного зондирования, отличаются по своей информативности при проведении агроэкологического мониторинга за различными биометрическими параметрами на различных стадиях развития посевов озимой пшеницы.

Цель работы состояла в проведение комплексных агроэкологических исследований с развитием информационно-методического обеспечения агроэкологических моделей продукционного процесса озимой пшеницы на дерново-подзолистых почвах в условиях южно-таежной зоны Центральной России.

Для достижения поставленной цели решались следующие задачи:

1. Провести мониторинговые агроэкологические наблюдения за развитием посевов озимой пшеницы на дерново-подзолистых почвах в условиях Полевого опыта РГАУ-МСХА имени К.А. Тимирязева.

2. Провести локализацию агроэкологической модели CERES-Wheat (в структуре DSSAT v. 4.6) по материалам проводимых мониторинговых наблюдений для условий, представительных для центра Московской области агроэкосистемы Полевого опыта.

3. Оценить влияния двух типов обработки (отвальной и нулевой) на развитие продукционного процесса озимой пшеницы в условиях исследуемого опыта.

4. По данным, получаемым с беспилотных летательных аппаратов (БПЛА), провести сравнительный анализ эффективности наиболее распространённых вегетационных индексов для массовой оценки биометрических показателей развития озимой пшеницы.

Научная новизна. По результатам проведенного детального мониторинга биометрических показателей продукционного процесса озимой пшеницы с использованием данных с микрометеостанций, работающих по принципу вихревых ковариаций, для условий представительных полевых агроэкосистем на окультуренных дерново-подзолистых почвах установлено, что изменение во времени параметров биомассы озимой пшеницы (рост, проективное покрытие посевов) от фазы кущения до фазы цветения носит линейный характер с коэффициентами детерминации 0,95-0,98.

В результате локализации модели CERES-Wheat системы DSSAT с нахождением «генетических коэффициентов» для сорта Звезда линия 1 удалось получить высокий уровень совпадения (по урожаю - 5%, по датам цветения и созревания - 2-3 дня) с экспериментальными данными, полученными на представительной агроэкосистеме с дерново-подзолистыми почвами в агроклиматических условиях, близких к среднемноголетних.

Сравнительный анализ информативности основных вегетационных индексов, рассчитанных по данным дистанционного зондирования в видимом и инфракрасном диапазоне, полученных с БПЛА, для характеристики временного и пространственного разнообразия посевов озимой пшеницы в

условиях Московской области выявил оптимальный для мониторинга развития растений набор вегетационных индексов для представительной агроэкосистемы с дерново-подзолистыми почвами: для роста растений - TGI и VARI, для проективного покрытия - ENDVI; для моделирования густоты стеблестоя - DVI, GDVI, TGI, GLI на фазах выхода в трубку и начала созревания.

Практическая значимость. В результате локализации модели CERES-Wheat системы DSSAT получен набор «генетических коэффициентов», позволяющий адекватно отражать развитие продукционного процесса озимой пшеницы в условиях южно-таежной зоны в метеорологических условиях года, близкого к среднемноголетним и предусматривающего ее последующую адаптацию для других погодных условий и других экосистем.

Продемонстрирован потенциал использования БПЛА для решения проблем в развитии инновационных процессов в АПК. Данная методика может позволить проводить мониторинг состояния посевов, создать систему управления агротехническими мероприятиями и прогнозирования урожая.

В результате исследований выявлен оптимальный набор вегетационных индексов, которые оптимально позволяют диагностировать следующие показатели развития озимой пшеницы на фазах выхода в трубку и начала созревания: рост растений - TGI и VARI, проективное покрытие - ENDVI; густоты стеблестоя - DVI, GDVI, TGI, GLI.

Основные положения диссертации, выносимые на защиту:

1.Агроэкологическая модель продукционного процесса озимой пшеницы CERES-Wheat адаптируема для условий зональных полевых агроэкосистем Центральной России с дерново-подзолистыми почвами.

2. Измеряемая в процессе агроэкологического мониторинга посева озимой пшеницы в фазу кущения густота стеблестоя позволяет предсказывать ее урожай на дерново-подзолистых почвах с коэффициентом детерминации до 0,7.

3. Густота стеблестоя в фазах выхода в трубку и начала созревания озимой пшеницы на дерново-подзолистых почвах может эффективно оцениваться по вегетационным индексам DVI, GDVI, TGI, GLI, рассчитываемым по данным дистанционного зондирования с БПЛА.

Методология и методы исследований. Методология исследований основана на информационном поиске источников отечественной и зарубежной литературы, обосновании актуальности, определении цели и задач. Программа исследований включала проведение полевых работ, лабораторных анализов, статистической обработки полученных данных, анализе и обобщении полученных результатов. Выполнение работы проводилось с использованием общепринятых методик в экологии.

Степень достоверности и апробации результатов. В ходе работы были использованы современные методы исследований и оборудование аккредитованной лаборатории агроэкологического мониторинга, моделирования и прогнозирования (Аттестат № РОСС RU.0001.213A17). Достоверность выявленных закономерностей подтверждается статистической обработкой данных. Материалы диссертационного исследования прошли обсуждение на заседаниях кафедры экологии, факультета Почвоведения, агрохимии и экологии РГАУ-МСХА имени К.А. Тимирязева (2015, 2016, 2017, 2018, 2019). Также результаты были доложены на международных конференциях: V конференции ЛАМП, VII Московской Международной летней экологической школе (M0SES-2016), конференции молодых ученых РГАУ-МСХА (2016), «Почва и бобовые: симбиоз для жизни» (2016), «Докучаевские молодежные чтения» (2017, 2018), Ломоносов (2016, 2017), конференции посвященной 175-летию со дня рождения К.А. Тимирязева (2018), Генеральной Ассамблеи Европейского союза наук о Земле (EGU) в 2018 году.

Структура и объем диссертации. Диссертация изложена на 131 странице, иллюстрирована 39 рисунками, содержит 29 таблиц. Работа состоит

из введения, 6 глав, заключения, библиографического списка, содержащего 132 источника, из них 56 на английском языке.

Благодарности. Автор выражает благодарность своему научному руководителю профессору И.И. Васеневу, а также всем сотрудникам кафедры экологии; особенно хотелось бы поблагодарить доц. Ю.Л. Мешалкину, ст. преп. А.М. Ярославцева и ст. преп. Д.В. Морева за помощь в анализе данных. Автор благодарен сотрудникам Полевой опытной станции РГАУ-МСХА имени К.А. Тимирязева проф. А.И. Беленкову, С.В. Железовой, а также сотрудникам Метеорологической обсерватории МГУ и Метеорологической обсерватории им. В.А. Михельсона.

Глава 1 Обзор литературы: почвенно-агроэкологическое моделирование продукционного процесса как основа цифровизации при

выращивании озимой пшеницы

Повышение эффективности сельского хозяйства требует внедрения современных цифровых технологий. По прогнозу Минсельхоза России цифровая трансформация сельского хозяйства приведет к локальной оптимизации затрат и более эффективному распределению средств, что позволит снизить финансовые издержки не менее чем на 23 % [Бьерне, Годжаев, 2018]. В течение 2019-2021 гг. Минсельхоз России осуществляет программу «Цифровое сельское хозяйство», которая предполагает внедрение цифровых технологий для обеспечения технологического прорыва в АПК и достижения роста производительности труда на «цифровых» сельскохозяйственных предприятиях в 2 раза к 2021 году.

1.1 Задача цифровизации сельского хозяйства России

1.1.1 Составляющие цифровизации сельского хозяйства

Под цифровизацией в сельском хозяйстве понимается применение технологий точного земледелия и систем поддержки и принятия агротехнологических решений, которые зависят от мониторинга и обработки данных из множества источников с целью оптимизации производительности, рентабельности и устойчивости сельскохозяйственных предприятий [Якушев, 2016; Навигационные системы ... , 2013]. Основные составляющие цифровизации приведены на рис. 1.1.

На сегодняшний день академические институты РФ формируют единую концепцию цифровизации сельского хозяйства России, которая среди прочего предполагает [Бьерне, Годжаев, 2018]:

• разработку системы геоинформационного мониторинга агропромышленного производства;

• разработку интеллектуальной системы поддержки принятия решений сельхозпроизводителями;

• разработку интеллектуальных роботизированных средств агропромышленного производства.

Рисунок 1.1 - Составляющие цифровизации сельского хозяйства

Точное земледелие предполагает наличие неоднородностей внутри каждого сельскохозяйственного угодья, в соответствии с которыми применяют технологии, позволяющие оптимизировать ресурсы [Якушев, 2016]. Системы поддержки и принятия агротехнологических решений - компьютерные автоматизированные системы для объективного анализа предметной деятельности, возникшие в ходе слияния управленческих информационных систем и систем управления базами данных [Ларичев, Петровский, 1987]. Они представляют собой различные модели продукционного процесса, базы данных и вспомогательные программы, которые используются в управлении производственными процессами для более точного предсказания урожайности и финансового планирования, а также для переноса агротехнологий без применения ресурсоемких и время затратных полевых экспериментов [The DSSAT ... , 2003].

Таким образом, под цифровизацией сельского хозяйства понимается использование информационных и коммуникационных технологий, позволяющих максимально автоматизировать процессы производства на уровне одного сельскохозяйственного угодья.

1.1.2 Точное земледелие

Задача точного земледелия [Рунов, 2012] при производстве сельскохозяйственных культур - максимизация урожая, финансовых выгод и, в тоже время, минимизации вложений капитала и воздействия на окружающую среду. Установлено, что технология точного земледелия позволяет создавать более качественную структуру посевов, экономить расход семян на 10-15%, позволяет проводить агротехнические мероприятия не только днём, но и ночью, экономить расход минеральных удобрений и средств химической защиты на 15-20% [Беленков, Тюмаков, Сабо, 2015].

Основой научной концепции точного земледелия являются представления о существовании неоднородностей в пределах одного сельскохозяйственного угодья [Иванов, 2008]. Для выявления этих неоднородностей используют новейшие технологии, такие как системы глобального позиционирования (GPS, GNSS, ГЛОНАСС), снимки со спутников и дронов, а также специальные программы, разработанные для агроменеджмента. Полученные данные применяют для планирования посева, расчета норм внесения удобрений и средств защиты растений, точного предсказания урожайности и для финансового планирования [Труфляк, 2016].

Точное земледелие - это комплексная высокотехнологичная система сельскохозяйственного менеджмента. В зависимости от временного соотношения между сбором информации и применением соответствующих агротехнических мероприятий различают: - двухэтапные подходы (off-line) или подходы на основе картирования; - одноэтапные подходы (on-line) или подходы с принятием решений в реальном масштабе времени («real-time») или

сенсорные подходы; - различные комбинации одно- и двухэтапных подходов или сенсорный подход с поддержкой картирования [Точное земледелие: практикум, 2012].

Система точного земледелия неразрывно связана с адаптивно-ландшафтной системой земледелия [Кирюшин, 1996]. Суть адаптивно-ландшафтной системы земледелия заключается в том, чтобы исходя из биологических и агротехнических требований сельскохозяйственных растений найти отвечающую им агроэкологическую обстановку или создать ее путем последовательной оптимизации лимитирующих факторов с учетом экологических ограничений техногенеза. Исходной посылкой в данном отношении является система агроэкологической оценки сельскохозяйственных культур, пользующихся спросом на рынке [Кирюшин, 1996; Филиппова, Канакова, Загидуллина, 2017]. Чтобы выявить агроэкологические ареалы возделывания культур, необходимо отчетливо представлять их требования к агроклиматическим, почвенным, геоморфологическим, литологическим, гидрологическим и другим условиям. При этом, наряду с количественными оценками продуктивности, не менее важное значение имеет качественная оценка продуктивности (содержание сахара, белка, крахмала и т.п.) [Кирюшин, 1996].

Сельскохозяйственные культуры и их сорта существенно различаются по требованиям к почве, климату и погоде, рельефу, другим природным факторам. Учет пространственной, а по некоторым факторам и временной, изменчивости среды является основой рационального размещения культур [Фрумин, 2004]. Чтобы сформировать системы земледелия, адаптированные в соответствии с различными агроэкологическими факторами, необходимо соответствующим образом сгруппировать их в структурно-функциональной иерархии ландшафта [Мазиров, Беленков, Матюк, 2013; Иванов, Волков, Савин, 2017], то есть построить агроэкологическую классификацию земель.

В.М. Фридланд разделил агропроизводственные группы почв на три категории. В первой категории почвы группируются в соответствие с «агрономическими качествами по отношению к какой-либо сельскохозяйственной культуре», во второй - по отношению к определенным экологическим группам культур, в третьей - по «общим растениеводческим качествам» [Фридланд, 1966]. Наибольшее распространение получили общие группировки почв, построенные на свойствах, определяющих качество почв как среды для развития культурных растений. Большей частью они соответствуют общим принципам составления, предложенным В.М. Фридландом [Фридланд, 1966].

В.И. Кирюшиным была предложена схема агроэкологической типизации земель, являющаяся каркасом для построения адаптивно-ландшафтной системы земледелия. В данной схеме агроэкологической группе отвечает система земледелия; в пределах агроэкологических типов формируются севообороты, сенокосообороты, пастбищеобороты и агротехнологии; агроэкологические виды земель определяют технологические операции. Совокупность агроэкологических групп земель в пределах природно-сельскохозяйственной провинции составляет зонально-провинциальный агрокомплекс [Кирюшин, 2000].

Таким образом, внедрение в практику сельского хозяйства систем точного земледелия и неразрывно связанной с ним адаптивно-ландшафтной системы земледелия требует проведения агроэкологического мониторинга.

1.1.3 Информационно-методическое обеспечение почвенно-агроэкологического мониторинга

Сельскохозяйственное использование земель неоднозначно влияет на неоднородность почвенных свойств. Антропогенное воздействие может снижать пространственную неоднородность почвы [Ильин, 1984]. Так, В.П. Белобров [1972] сравнивая варьирование содержания гумуса на распахиваемом участке и на залежи, делает вывод, что для более

окультуренных почв характерна меньшая вариабельность свойств почв как внутри территориальных почвенных единиц (ЭПА), так и классификационных групп, что обусловлено ежегодной вспашкой, нивелирующей неравномерное распределение корневых систем.

В других работах показано, что сельскохозяйственное использование оказывает влияние, усиливающее изменчивость в пределах ЭПА. По данным В.А. Березовского [1985], минимальное пространственное варьирование по содержанию гумуса имеет залежный участок (коэффициент вариации 7,9%), не удобрявшийся в течение долгого времени. Автор объясняет это нарастанием вносимых доз минеральных, органических и известковых удобрений по мере окультуривания почвы, а также неравномерностью их внесения.

Из анализа публикаций следует, что факторы, влияющие на варьирование параметров плодородия в пределах сельскохозяйственного угодья не всегда однозначны и однонаправлены. Основными причинами их варьирования в сельскохозяйственных угодьях являются рельеф и сельскохозяйственное использование.

Для выявления процессов, влияющих на параметры плодородия и для контроля за состоянием и уровнем загрязнения агроэкосистем в процессе интенсивной, сельскохозяйственной деятельности необходимо проведение агроэкологического мониторинга [Агроэкологическая оценка ... , 2005]. Основой агроэкологического мониторинга являются современные цифровые и агрогеоинформационные системы [Rossiter, Van Wambeke, 1997; Soil quality ... , 2003; Evaluation of soil ... , 2013].

Информационно-методическое обеспечение почвенно-

агроэкологического мониторинга включает в себя:

- оценку и анализ неоднородности структуры почвенного покрова в пределах сельхозугодия;

- анализ закономерностей продукционного процесса и, как следствие, пестроты урожайности интересующей исследователя территории;

- оценку трудноуправляемых факторов пестроты урожайности (почвенный покров, погодные условия, влияние близлежащей инфраструктуры);

- оценку и анализ регулируемых факторов пестроты урожайности, таких как рост и развитие растений, степень заболеваемости растений, поврежденность вредителями, динамические показатели агроэкологического качества почв;

- создание и учет алгоритмов и нормативов агроэкологической оценки почв с тем, чтобы разрабатывать территориальные агроэкологические карты;

- математическое и геоинформационное моделирование внутрипольного варьирования урожайности и основных агроэкологических факторов ее формирования;

- создание детальных агроэкологических требований основных культур данной природной зоны (в перспективе и сортов) на основных фенологических фазах их развития в условиях данного вида агроландшафта;

- разработку рационально дифференцированных приемов применения агротехнологий для снижения варьирования урожайности и экологического ущерба ландшафта.

Высокая пространственно-временная изменчивость агроэкологического качества пахотных земель предопределяется влиянием лимитирующих факторов природного и антропогенного происхождения [Яшин, Васенев, Черников, 2015].

Доказано, что неоднородность урожайности растениеводческой продукции изучаемого поля свойственна для большинства природных зон России [Базовый агроэкологический мониторинг, 2001].

Разработанные за последние десятилетия методы анализа почвенного покрова, а также методы агроэкологического анализа почв и земель

способствуют наиболее правильной оценке неоднородности почвенного покрова и его пространственно-временной изменчивости [Агроэкология, 2000; Хайдуков, Шевцова, Кузьменко, 2016]. При помощи этих методов стало возможным получать более точные геостатистические данные по почвенно-агроэкологической информации, содержательные тематические слои и расчетно-аналитические модули геоинформационных и информационно-аналитических систем [Агроэкологическое моделирование ... , 2010].

Истоки агроэкологического мониторинга восходят к В.В. Докучаеву. Выдающийся русский почвовед разработал естественно - исторический метод оценки земельных угодий. Основой метода является изучение природных свойств почв. Данные принципы В.В. Докучаев сформулировал в своей книге «Наши степи прежде и теперь» [Докучаев, 1892]. Было разработано понятие о «нормальных» почвах. Они «являются результатом весьма сложного взаимодействия следующих почвообразователей: грунта, климата, растительных и животных организмов, прежде и теперь». Эти почвы выделяются по месту своего расположения - на водораздельных равнинных плато. По мысли В.В. Докучаева «тщательное изучение почв может и должно, в весьма значительной степени, способствовать развитию как местной, так и общей в России сельскохозяйственной производительности» [Докучаев, 1898].

Таким образом, в основе почвенно-агроэкологического мониторинга должны лежать современные цифровые системы и методы анализа почвенного покрова.

1.1.4 Системы поддержки и принятия решений

Важным условием современного мирового развития является все возрастающая потребность в информации для принятия управленческих решений на разных территориальных уровнях. Данные, получаемые в результате традиционных полевых экспериментов, уже не могут полностью удовлетворить современные потребности в информации, так как такие

исследования являются дорогими и требуют много времени для получения результата. Полевые сельскохозяйственные исследования проводятся в конкретном месте и в конкретное время. Результаты этих исследований получаются локально и сезонно зависимыми. Соответственно возникает потребность в инструментарии, который позволил бы прогнозировать итоги управленческих решений (например, по внедрению определенных агротехнологий) на любой срок и в любом месте [The DSSAT ... , 2003].

Модели продукционного процесса имеют полувековую историю, однако лишь с появлением на массовом рынке персональных компьютеров они получили широкое распространение в прикладной сфере. Широкое распространение получили модели, основанные на биофизическом моделировании динамики сезонного развития растений с учетом сортовых особенностей, что позволяет прогнозировать урожайность, в частности имитационная модель роста сельскохозяйственных растений WOFOST (Савин и др., 2000). Среди отечественных разработок выделяется детальная имитационная модель продукционного процесса сельскохозяйственных растений, созданная под руководством Р.А. Полуэктова в Петербургском агрофизическом институте [Модели продукционного процесса ... , 2006]. В модель включено описание процессов трех типов: 1) энерго- и массообмен, происходящие в почве и приземном воздухе, а также в самих растениях; 2) совокупность биофизических и физиологических процессов в растительном покрове, определяющих прирост биомассы, рост и развитие отдельных органов растения и формирования урожая; 3) экологическое взаимодействие культурных растений с сорняками, болезнетворными микроорганизмами и вредителями. Модель продукционного процесса сельскохозяйственных культур «Климат - Почва - Урожай» основана на описании формирования биомассы отдельных органов (листьев, стеблей, корней, зерна) и динамики составляющих баланса влаги и минерального азота в почве [Романенков, 2015]. Для применения в масштабах хозяйства в целях агроэкологической

Список литературы диссертационного исследования кандидат наук Пивченко Дмитрий Викторович, 2019 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Агробиологические основы производства, хранения и переработки продукции растениеводства: учебное пособие / под ред. Г. И. Баздырева. - М.: Инфра-М, 2014. - 725 с.

2. Агроклиматический справочник по Московской области / под ред. С.А. Сапожникова. - Ленинград: Гидрометеоиздат, 1954. - 194 с.

3. Агрометеорологическая характеристика и почвенные условия [Электронный ресурс]: [вэб сайт]. - URL: http://www.pole-stru/polevaya.htm#nachalo (дата обращения: 06.08.2019).

4. Агроэкологическая оценка земель, проектирование адаптивно-ландшафтных систем земледелия и агротехнологий: методич. руководство / под ред. В.И. Кирюшина, А.Л. Иванова. - М.: ФГНУ «Росинформагротех», 2005. - 784 с.

5. Агроэкологическое моделирование и проектирование / И.И. Васенев, А.В. Бузылев, Ю.А. Курбатова [и др.]. - М.: РГАУ-МСХА, 2010. - 260 с.

6. Агроэкология / В.А. Черников, Р.М. Алексахин, А.В. Голубев [и др.] / под ред. В.А. Черникова, А.И. Чекереса. - М.: Колос, 2000. - 536 с.

7. Агроэкология: методология, технология, экономика / В.А. Черников, И.Г. Грингоф, В.Т. Емцев [и др.] / под ред.: В.А. Черникова, А.И. Чекереса. - М.: Колосс, 2004. - 399 с.

8. Аканова, Н.И. Агроэкологическая и энергетическая эффективность сочетания известкования с минеральными удобрениями: дисс. ... д-ра биологических наук / Н.И. Аканова. - М., 2001. - 349 с.

9. Базовый агроэкологический мониторинг / И.И. Васенев [и др.] / Методическое пособие и нормативные материалы для разработки адаптивно-ландшафтных систем земледелия. - Курск, 2001. - С. 143-152

10. Беленков, А.И. Точное (координатное) земледелие в РГАУ-МСХА имени К.А. Тимирязева: реальность и перспективы / А.И. Беленков, А.Ю. Тюмаков, У.М Сабо // Вестник АГАУ. - 2015. - № 4. - С. 5-7.

11. Белобров, В.П. Варьирование некоторых химических и морфологических свойств дерново-подзолистых почв в пределах почвенных

ареалов и классификационных групп / В.П. Белобров // В сб.: Почвенные комбинации и их генезис. - М. - 1972.

12. Березовский, В.А. Пространственная вариация агрохимических свойств в пахотных почвах разного бонитета / В.А. Березовский, С.Б. Степанов, В.В. Политанская // В сб.: Неоднородность свойств почв и урожайность сельскохозяйственных культур в северо-западной зоне РСФСР.

- Л.: СЗНИИСХ, 1985.

13. Брыксин, В.М. Разработка программного комплекса оценки урожайности зерновых культур с использованием математического моделирования и данных ДЗЗ / В.М. Брыксин, А.В. Евтюшкин, Л.А. Хворова // Материалы Всероссийской конференции (с международным участием) «Математические модели и информационные технологии в сельскохозяйственной биологии: итоги и перспективы», Санкт-Петербург.

- СПб.: АФИ, 2010. - С. 76-79.

14. Бьерне, Д. Цифровизация сельскохозяйственного производства России на период 2018-2025 гг.: исследование кооперационного проекта «Германо-Российский аграрно-политический диалог» / Д. Бьерне, Т.З. Годжаев. - Москва-Берлин, 2018. - 33 с.

15. Вагнер, Б.Б. Геология, рельеф и полезные ископаемые Московского региона / Б.Б. Вагнер, Б.О. Манучарянс. - М.: МГПУ, 2003.

- 81 с.

16. Васенёв, И.И. Региональная автоматизированная система комплексной агроэкологической оценки земель - РАСКАЗ / И.И. Васенёв, В.Г. Хахулин, А.В. Бузылёв. Свидетельство об официальной регистрации программы для ЭВМ № 2005610897. - 2005.

17. Влияние разных технологий возделывания озимой пшеницы на урожайность и фитосанитарное состояние посевов (на примере полевого опыта центра точного земледелия РГАУ-МСХА имени К.А. Тимирязева) / С.В. Железова, Т.А. Акимов, О.О. Белошапкина // Агрохимия. - 2017. - № 4.

- С. 65-75.

18. ГОСТ 26423-85 Почвы. Методы определения удельной электрической проводимости, рН и плотного остатка водной вытяжки.

- М., 2011. - 6 с.

19. ГОСТ 26483-85 Почвы. Приготовление солевой вытяжки и определение ее pH по методу ЦИНАО. - М., 1985. - 6 с.

20. ГОСТ 26488-85 Почвы. Определение нитратов по методу ЦИНАО.

- М., 1986. - 4 с.

21. ГОСТ 26489-85 Почвы. Определение обменного аммония по методу ЦИНАО. - М., 1986. - 5 с.

22. ГОСТ Р 54650-2011 Почвы. Определение подвижных соединений фосфора и калия по методу Кирсанова в модификации ЦИНАО. - М., 2013.

- 11 с.

23. Докучаев, В.В. К вопросу о переоценке земель Европейской и Азиатской России с классификацией почв / В.В. Докучаев. - М.: Печ. А.И. Снегиревой, 1898. - 407 с.

24. Докучаев, В.В. Наши степи прежде и теперь / В.В. Докучаев

- С.-Петербургъ: Типографiя Е. Евдокимова, 1892. - IV. - 128 с.

25. Дубинин, М. Почвенная линия и ее определение [Электронный ресурс]:[веб-сайт] - Географические информационные системы и дистанционное зондирование / М. Дубинин. - URL. http://gis-lab.info/qa/vi-soilline.html (дата обращения: 18.05.2018).

26. Захаренко, А.В. Центр точного земледелия РГАУ-МСХА имени КА Тимирязева учебно-научный инновационный комплекс / А.В. Захаренко, А.Н. Беленков //Достижения науки и техники АПК. - 2008. - №. 9.

27. Иванов, А.Л. Очерки по истории агрономии / А.Л. Иванов, Н.С. Немцев, И.Ф. Каргин [и др.]. - М.: Россельхозакадемия, 2008. - 495 с.

28. Иванов, А.Л. Почвенно-экологические и инфраструктурные аспекты реализации стратегии развития агропроизводства в России / А.Л. Иванов, С.Н. Волков, И.Ю. Савин // Бюллетень Почвенного института имени В.В. Докучаева. - 2017. - № 89. - С.104-120.

29. Ильин, Н.И. Неоднородность физических свойств почв и вопросы их опробования / Н.И. Ильин // Неоднородность и изменчивость свойств почв.

- М: Изд-во института инженеров землеустройства, 1984. - С. 3-19.

30. Казаков, И.Е. Методы оптимизации стохастических систем / И.Е. Казаков. - М.: Наука, 1987. - 384 с.

31. Кидин, В.В. Агрохимия: учебник / В.В. Кидин, С.П. Торшин. - М.: Проспект, 2016. - 608 с.

32. Кидин, В.В. Практикум по агрохимии / В.В. Кидин, И.П. Дерюгин, В.И. Кобзаренко. - М.: КолосС, 2008. - 599 с.

33. Кирюшин, В.И. Экологизация земледелия и технологическая политика / В.И. Кирюшин. - М.: Изд-во МСХА, 2000. - 473 с.

34. Кирюшин, В.И. Экологические основы земледелия / В.И. Кирюшин. - М: Колос, 1996. - 368 с.

35. Климатические ресурсы солнечной энергии Московского региона / Г.М. Абакумова, Е.В. Горбаренко, Е.И. Незваль [и др.] - М.: Изд-во «ЛИБРОКОМ», 2012. - 310 с.

36. Кондратьева, Н.Н. Озимая пшеница Звезда / Н.Н. Кондратьева, А.А. Кондратьев // Селекция и семеноводство. - 1993. - № 1. - С. 37-40.

37. Ларичев, О.И. Системы поддержки принятия решений. Современное состояние и перспективы их развития / О.И. Ларичев, А.Б. Петровский // Итоги науки и техники. Сер. Техническая кибернетика.

- М.: ВИНИТИ, 1987. - № 21. - С. 131-164.

38. Логачев, Н.А. Озимая пшеница / Н.А. Логачев // Земледелие.

- 2003. - № 5. - С. 32-33.

39. Локальная информационно-справочная система по оптимизации земледелия в хозяйстве - ЛИССОЗ / Васенёв И.И., Руднев Н.И., Хахулин В.Г., [и др.]. Свидетельство об официальной регистрации программы для ЭВМ № 2005610898. - 2005.

40. Лукин, С.В. Сорта и гибриды озимой пшеницы / С.В. Лукин // Зерновое хозяйство. - 2004. - № 3. - С. 2-4.

41. Мазиров, М.А. Адаптивно-ландшафтные системы земледелия / М.А. Мазиров, А.И. Беленков, Н.С. Матюк. - М.: Изд-во: РГАУ-МСХА имени К.А.Тимирязева, 2013. - 187 с.

42. Мазиров, М.А. Длительный полевой опыт РГАУ-МСХА: сущность и этапы развития / М.А. Мазиров, А.Ф. Сафонов // Известия ТСХА.

- 2010. - Т. 2. - С. 66-75.

43. Мешалкина, Ю.Л. Математическая статистика в почвоведении: Практикум / Ю.Л. Мешалкина, В.П. Самсонова. - М.: МАКС Пресс, 2008.

- 84 с.

44. Минеев, В.Г. Практикум по агрохимии / В.Г. Минеев, В.Г. Сычев, О.А. Амельянчик. - М.: Изд-во МГУ, 2001. - Вып. 2-е изд. - 689 с.

45. Михайленко, И.М. Беспилотная малая авиация в сельском хозяйстве / И.М. Михайленко // Агрофизика. - 2015. - №2. - С. 16-24.

46. Михайленко, И.М. Управление системами точного земледелия / И.М. Михайленко. - СПб.: Изд, СПбГУ, 2005. - 234 с.

47. Модели продукционного процесса сельскохозяйственных культур / Р.А. Полуэктов, Э.И. Смоляр, В.В. Терлеев [и др.]. - СПб.: Изд. С.-Петерб. ун-та, 2006. - 396 с.

48. Морев, Д.В. Агроэкологическая оценка земель в условиях зонального ряда агроландшафтов с повышенной пестротой почвенного покрова: диссертация канд. биологических наук / Д.В. Морев. - М., 2017.

- 137 с.

49. Навигационные системы в сельском хозяйстве. Координатное земледелие / В.И. Балабанов, С.В. Железова, Е.В. Березовский [и др.] / под ред. В.И. Балабанова. - М.: Из-во РГАУ-МСХА имени К. А. Тимирязева, 2013.

- 43 с.

50. Наумов, В.Д. 145 лет Лесной опытной даче РГАУ-МСХА имени К.А. Тимирязева / В.Д. Наумов. - М.: Изд-во РГАУ-МСХА, 2009. - 511 с.

51. Петров, А.М. Применение дронов в сельском хозяйстве / А.М. Петров // Молодой ученый. - 2014. - № 2. - С. 182-184.

52. Применение беспилотных летательных аппаратов (БПЛА) в технологии точного земледелия / Шумилов Ю.В., Данилов Р.Ю., Костенко И.А. [и др.] // Молодой ученый. - 2015. - № 9-2 (89). - С. 146-147.

53. Прокофьева, Т.В. Систематика почв и почвообразующих пород города Москвы и возможность включения их в общую классификацию / Т.В. Прокофьева, И.А. Мартыненко, Ф.А. Иванников // Почвоведение.

- 2011. - Т. 5. - С. 611-623.

54. Романенков, В.А. Исследование эффективности управления плодородием в агроэкосистемах на основе изучения рядов урожайности в

длительных полевых опытах / В.А. Романенков // Проблемы экологического мониторинга и моделирования экосистем. - 2015. - Т. 26, № 2. - С. 97-114.

55. Романенков, В.А. Оценка климатических рисков при возделывании зерновых культур на основе региональных данных и результатов длительных опытов Геосети / В.А. Романенков, В.Н. Павлова, М.В. Беличенко // Агрохимия. - 2018. - № 1. - С. 77-86.

56. Рунов, Б.А. Основы технологии точного земледелия. Зарубежный и отечественный опыт / Б.А. Рунов. - 2-е изд., исправ. и дополн. - СПб.: АФИ, 2012. - 120 с.

57. Савин, И.Ю. Имитационная модель роста сельскохозяйственных растений WOFOST 7.1 (руководство пользователя русифицированной версией): учеб. пособие / И.Ю. Савин, B.C. Столбовой, К. ван Диепен. - М.: РУДН, 2000. - 116 с.

58. Савич, В.И. Комплексная характеристика состояния ионов в почве для оценки плодородия: автореф. дис. ... д-ра с-х наук. / В.И. Савич. - М., 1981.

- 42 с.

59. Справочно-информационный портал «Погода и климат». [Электронный ресурс]: [веб сайт]. - URL: http://www.pogodaiklimat.ru/monitor. php?id=27612 (дата обращения 02.08.2019).

60. Сычев, В.Г. Этапы развития, результаты исследований и актуальные проблемы длительных агрохимических полевых опытов Географической сети опытов с удобрениями / В.Г. Сычев, М.В. Беличенко, В.А. Романенков // Агрохимия. - 2018. - № 1. - C. 3-16.

61. Титова, В.И. Практикум по агроэкологии / В.И. Титова, Е.В. Дабахова, М.В. Дабахов. - Н.Новгород: Изд-во Волго-Вят. акад. гос. службы, 2005. - 137 с.

62. Точное земледелие: практикум / А.И. Завражнов, М.М. Константинов, А.П. Ловчиков [и др.]. / под ред. М.М. Константинова.

- Мичуринск: Изд-во МичГАУ, 2012. - 116 с.

63. Труфляк, Е.В. Основные элементы системы точного земледелия / Е.В. Труфляк. - Краснодар: КубГАУ, 2016. - 39 с.

64. Федин, М.А. Методика государственного сортоиспытания сельскохозяйственных культур / М.А. Федин. - М., 1985. - 263 с.

65. Филиппова, А.В. Эффективное управление системами земледелия в степной зоне Южного Урала для воспроизводства почвенного плодородия / А.В. Филиппова, А.А. Канакова, А.Ш. Загидуллина // Реализация методологических и методических идей профессора Б.А. Доспехова в совершенствовании адаптивно-ландшафтных систем земледелия: материалы международной научно-практической конференции. - Москва-Суздаль, 2017. - С. 63-67.

66. Фирсов, И.П. Технология растениеводства / И.П. Фирсов, А.М. Соловьев, М.Ф. Трифонова. - М.: КолосС, 2006. - 472 с.

67. Фридланд, В.М. Агропроизводственные группировки почв и их роль в улучшении использования земельных фондов / В.М. Фридланд // Агрохимия. - 1966. - № 4.

68. Фрумин, И.Л. Урожайность и продолжительность вегетационного периода зерновых культур как функция гидротермических условий / И.Л. Фрумин // Сибирский вестник сельскохозяйственной науки. - 2004. - №1.

69. Функционально-экологическая оценка земель в условиях повышенной пестроты дерново-подзолистых почв на примере полевой опытной станции РГАУ-МСХА имени К.А. Тимирязева / Д.В. Морев, И.М. Мазиров, Е.Д. Кельпова [и др.] // Сборник материалов Московской Международной летней экологической школы / под ред. И.И. Васенева, Р. Валентини. - М.: ООО «СкриптаМанент», 2015. - С. 142-145.

70. Хайдуков, К.П. Изменение гумусового состояния дерново-подзолистой легкосуглинистой почвы при длительном применении различных систем удобрения / К.П. Хайдуков, Н.К. Шевцова, Н.Н. Кузьменко [и др.] // Проблемы агрохимии и экологии. - 2016. - № 3. - С. 22-25.

71. Хитров, Н.Б. Почвы длительного полевого опыта ТСХА / Н.Б. Хитров // Известия ТСХА. - 2012. - Т. 3. - С. 62-78.

72. Цитогенетический анализ и оценка уровня полиморфизма озимой мягкой пшеницы сорта Звезда и линий, полученных на её основе / П.Ю. Крупин, М.В. Климушина, М.Г. Дивашук [и др.]. // Известия Тимирязевской сельскохозяйственной академии. - 2010. - № 5. - С. 89-95.

73. Шатилов, И.С. Агрофизические, агрометеорологические и агротехнические основы программирования урожаев / И.С. Шатилов,

A.Ф. Чудновский. - Л.: Гидрометеоиздат, 1980. - 320 с.

74. Якушев, В.В. Точное земледелие: теория и практика / В.В. Якушев.

- СПб.: ФГБНУ АФИ, 2016. - 364 с.

75. Яшин, И.М. Методы экологических исследований: учебное пособие / И.М. Яшин, В.А. Раскатов, И.И. Васенев. - М.: РГАУ-МСХА имени К.А. Тимирязева, 2015. - 183 с.

76. Яшин, И.М. Экогеохимия ландшафта / И.М. Яшин, И.И. Васенев,

B.А. Черников. - М.: Изд-во РГАУ-МСХА, 2015. - 306 с.

77. A general model for soil organic matter dynamics: sensitivity to litter chemistry, texture and management / W.J. Parton, D.S. Schimel, C.V. Cole [et al.] // Quantitative Modeling of Soil Forming Processes / под ред. R.B. Bryant, R.W. Arnold. - SSSA, Madison, WI, 1994. - C. 147-167.

78. A user's guide to CERES-Wheat / D.C. Godwin, J.T. Ritchie, U Singh [et al.]. - 1989. - Vol. 2. - С. 10.

79. A visible band index for remote sensing leaf chlorophyll content at the canopy scale / JR.E.R. Hunt, P.C. Doraiswamy, J.E. McMurtrey [et al.] // International Journal of Applied Earth Observation and Geoinformation. - 2013.

- Vol. 21. - C.103-112.

80. Aerial color infrared photography for determining late-season nitrogen requirements in corn / R.P. Sripada, R.W. Heiniger, J.G. White [et al.] // Agronomy Journal. - 2005. - Vol. 97. - C. 1443-1451.

81. Albert, J. R by Example / J. Albert, M. Rizzo. - NY: Springer New York, 2012.

82. Application and evaluation of the DSSAT-wheat in the Tiaret region of Algeria / W. Rezzoug, B. Gabrielle, A. Suleiman [et al.] // African Journal of Agricultural Research. - 2008. - №3 (4). - С. 284-296.

83. Bannayan, M. Application of the CERES-Wheat model for within-season prediction of winter wheat yield in the United Kingdom / M. Bannayan, N.M.J. Crout, G. Hoogenboom // Agron. J. - 2003. - № 95. - С. 114-125.

84. Beaudette, D.E. Algorithms for quantitative pedology: A toolkit for soil scientists / D.E. Beaudette, P. Roudier, A.T. O'Geen // Comput. Geosci. - 2013.

- Т. 52. - С. 258-268.

85. Boote, K.J. Simulation of crop growth: CROPGRO model / K.J. Boote, J.W. Jones, G. Hoogenboom // Agricultural Systems Modeling and Simulation. / под ред. R.M. Peart, R.B. Curry. Marcel Dekker. - Inc. New York, 1998. - Chapter 18.

C. 651-692.

86. Cereal growth, development and yield / J.T. Ritchie, U. Singh,

D. C. Godwin [et al.]. // Options for Agricultural Production. - Kluwer Academic Publishers, Dordrecht, The Netherlands, 1998. - C. 79-98.

87. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley / J. Bendig, J. Yu, H. Aasen [et al.] // Int. J. Appl. Earth Obs. Geoinf. - 2015. - Vol. 39.

- С. 79-87.

88. Comparative analysis of GF-1, HJ-1, and Landsat-8 data for estimating the leaf area index of winter wheat / H. Li, C. Zhong-xin, J. Zhi-wei [et al.] // J. Integr. Agric. - 2016. - Vol. 16. - С. 266-285.

89. Deploying four optical UAV-based sensors over grassland: Challenges and limitations / S. von Bueren, A. Burkart, A. Hueni [et al.] // Biogeosciences.

- 2015. - Vol. 12. - C. 163-175.

90. Estimation of biomass in wheat using random forest regression algorithm and remote sensing data / L. Wang, X. Zhou, X. Zhu [et al.] // Crop J.

- 2016. - Vol. 4. - C. 212-219.

91. Estimation of Winter Wheat Above-Ground Biomass Using Unmanned Aerial Vehicle-Based Snapshot Hyperspectral Sensor and Crop Height Improved Models / J. Yue, G.J. Yang, C.C. Li [et al.] // Remote Sens. - 2017. - Vol. 9.

- 801-819.

92. Evaluation of Digital Photography from Model Aircraft for Remote Sensing of Crop Biomass and Nitrogen Status / JR.E.R. Hunt, M. Cavigelli, C.S.T. Daughtry [et al.] // Precision Agriculture. - 2005. - Vol. 6. - C.359-378.

93. Evaluation of soil structure in the framework of an overall soil quality rating / L. Mueller, G. Shepherd, U. Schindler [et al.]. // Soil and Tillage Research.

- 2013. - Т. 127. - С. 74-84.

94. Fiji: an open-source platform for biological-image analysis / J. Schindelin, I. Arganda-Carreras, E. Frise [et al.] // Nature methods. - 2012.

- № 9 (7). - С. 676-682.

95. GENCALC: software to facilitate the use of crop models for analyzing field experiments / L.A. Hunt, S. Pararajasingham, J.W. Jones [et al.]. // Agron. J.

- 1993. - № 85. - С. 1090-1094.

96. Geng, S. Asimplemethod for generating daily rainfall data / S. Geng,

F.W.T. Penning de Vries, I. Supit // Agric. For. Meteorol. - 1986. - № 36.

- С. 363-376.

97. Godwin, D.C. Nitrogen balance and crop response to nitrogen in upland and lowland cropping systems / D.C. Godwin, U. Singh // Understanding Options for Agricultural Production. System Approaches for Sustainable Agricultural Development / под ред. G.Y. Tsuji, G. Hoogenboom, P.K. Thornton. - Kluwer Academic Publishers, Dordrecht, Netherlands, 1998. - С. 55-77.

98. Godwin, D.C. Nitrogen dynamics in soil-plant systems / D.C. Godwin, C.A. Jones // Modeling Plant and Soil Systems / под ред. J. Hanks, J.T. Ritchie.

- ASA, CSSA and SSSA, Madison, WI, 1991. - С. 287-321.

99. Hoogenboom, G. DSSAT / G. Hoogenboom, P.W. Wilkens, G. Y. Tsuji.

- Honolulu, Hawaii: University of Hawaii, 1999. - Vol. 4. - 286 с.

100. Hunt, L.A. Agronomic data: advances in documentation and protocols for exchange and use / L.A. Hunt, J.W. White, G. Hoogenboom // Agricultural Systems. - 2001. - № 70. - C. 477-492.

101. Hunt, L.A. Data for model operation, calibration, and evaluation / L.A. Hunt, K.J. Boote // Understanding Options for Agricultural Production. Systems Approaches for Sustainable Agricultural Development / под ред.

G.Y. Tsuji, G. Hoogenboom, P.K. Thornton. - Kluwer Academic Publishers, Dordrecht, Netherlands, 1998. - C. 9-39.

102. International Benchmark Sites Network for Agrotechnology Transfer: The IBSNAT Decade. - Department of Agronomy and Soil Science, College of Tropical Agriculture and Human Resources, University of Hawaii, Honoluly, Hawaii, 1993. - 178 c.

103. Jones, C.A. CERES-Maize: A Simulation Model of Maize Growth and Development / C.A. Jones, J.R. Kiniry / Texas A&M University Press. - College Station, Texas, 1986.

104. Jones, J.W. Approaches to modular model development / J.W. Jones,

B.A. Keating, C.H. Porter // Agricultural Systems. - 2001. - № 70. - C. 421-443.

105. Low-altitude, high-resolution aerial imaging systems for row and field crop phenotyping: A review / S. Sankaran, L. Khot, C. Espinoza [et al.] // Eur. J. Agron. - 2015. - Vol. 70. - C. 112-123.

106. Mapping canopy conductance and CWSI in olive orchards using high resolution thermal remote sensing imagery / J. Berni, P.J. Zarco-Tejada, G. Sepulcre-Canto [et al.] // Remote Sens. Environ. - 2009. - Vol. 113.

- C. 2380-2388.

107. Meroni, M. Inversion of a radiative transfer model with hyperspectral observations for LAI mapping in poplar plantations / M. Meroni, R. Colombo,

C. Panigada // Remote Sens. Environ. - 2004.

108. Modifying DSSAT for low-input agricultural systems, using a soil organic matter - residue module from CENTURY / A.J. Gijsman, G. Hoogenboom, W.J. Parton [et al.] // Agronomy Journal. - 2002. - № 94. - C. 462-474.

109. Monitoring of crop biomass using true colour aerial photographs taken from a remote controlled hexacopter / R. Jannoura, K. Brinkmann, D. Uteau [et al.] // Biosyst. Eng. - 2014. - Vol. 129. - C. 341-351.

110. Multitemporal and multiresolution leaf area index retrieval for operational local rice crop monitoring / M. Campos-Taberner, F.J. Garda-Haro, G. CampsValls [et al.] // Remote Sens. Environ. - 2016. - Vol. 187. - C. 102-118.

111. Multi-temporal imaging using an unmanned aerial vehicle for monitoring a sunflower crop / F.A. Vega, F.C. Ramirez, M.P. Saiz [et al.]. // Biosyst. Eng. - 2015. - Vol. 132. - C. 19-27.

112. Parton, W.J. Dynamics of C, N, P and S in grassland soils: a model / W.J. Parton, J.W.B. Stewart, C.V. Cole // Biogeochemistry. - 1988. - № 5.

- 109-131.

113. Plant disease detection based on data fusion of hyper-spectral and multi-spectral fluorescence imaging using Kohonen maps / D. Moshou, C. Bravo, R. Oberti [et al.] // Real-Time Imaging. - 2005. - Vol. 11. - C. 75-83.

114. Porter, C. An approach for modular crop model development / C. Porter, J.W. Jones, R Braga // Research. Report No 99-0701. - Agricultural and Biological Engineering Department University of Florida, Gainesville, Florida, 1999. - 13 c.

115. Processing and Assessment of Spectrometric, Stereoscopic Imagery Collected Using a Lightweight UAV Spectral Camera for Precision Agriculture / E. Honkavaara, H. Saari, J. Kaivosoja [et al.] // Remote Sens. - 2013. - Vol. 5.

- C. 5006-5039.

116. Pu, R. Wavelet transform applied to EO-1 hyperspectral data for forest LAI and crown closure mapping / R. Pu, P. Gong // Remote Sens. Environ. - 2004.

- Vol. 91. - C. 212-224.

117. Remote sensing leaf chlorophyll content using avisible band index / JR.E.R. Hunt, C.S.T. Daughtry, J.U.H. Eitel [et al.] // Agronomy Journal. - 2011.

- Vol. 103. - C. 1090-1099.

118. Retrieval of chlorophyll content and LAI of crops using hyperspectral techniques: Application to PROBA - CHRIS data / J. Delegido, G. Fernandez, S. Gandia [et al.] // Int. J. Remote Sens. - 2008. - Vol. 29. - C. 7107-7127.

119. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform / J. Liu, C. Zhao, G. Yang [et al.] // Trans. Chin. Soc. Agric. Eng.

- 2016. - Vol. 32. - C. 98-106.

120. Richardson, C.W. Stochastic simulation of daily precipitation, temperature, and solar radiation / C.W. Richardson // Water Resources Research.

- 1981. - № 17 (1). - C. 182-190.

121. Richardson, C.W. Weather simulation for crop management models / C.W. Richardson // Transactions of the ASAE. - 1985. - № 28 (5). - C. 1602-1606.

122. Ritchie J.T. Model for predicting evaporation from a row crop with incomplete cover / J.T. Ritchie // Water Resources Research. - 1972. - № 8.

- C. 1204-1213.

123. Ritchie, J.T. Description and performance of CERES-Wheat: a user-oriented wheat yield model / J.T. Ritchie, S. Otter / In: ARS Wheat Yield Project. -Springfield, Missouri, 1985. - C. 159-175.

124. Rossiter, D.G. Automated land evaluation system ALES version 4.65 user's manual / D.G. Rossiter, A.R. Van Wambeke // Management. - 1997. - Т. 6.

- С. 7-20.

125. Selection of vegetation indices for mapping the sugarcane condition around the oil and gas field of North West Java Basin, Indonesia / T.M. Susantoro, K. Wikantika, A. Saepuloh [et al.] // IOP Conf. Series: Earth and Environmental Science. - 2018. - C. 1

126. Seligman, N.C. PAPRAN: a simulation model of annual pasture production limited by rainfall and nitrogen / N.C. Seligman, H. Van Keulen / Simulation of Nitrogen Behaviour of Soil. Plant Systems. Centrum voor Landbouwpublikaties en Landbouwdocumentatie (PUDOC) / под ред. M.J. Frissel, J.A. Van Veen. - Wageningen, Netherlands, 1981. - C. 192-221.

127. Soil quality and its relationship to pedology / M.L. Norfleet, C.A. Ditzler, W.E. Puckett [et al.]. // Soil Science. - 2003. - Т. 168. - С. 149-155.

128. Svidzinskaya, D.V. Osnivi QGIS / D.V. Svidzinskaya, A.S. Brui.

- Kiev Foundations QGIS, 2014. - 83 c.

129. The CROPGRO model for grain legumes / K.J. Boote, J.W. Jones, G. Hoogenboom [et al.] // Understanding Options for Agricultural Production. / под ред. G.Y. Tsuji, G. Hoogenboom, P.K. Thornton. - Kluwer Academic Publishers, Dordrecht, 1998. - С. 99-128.

130. The DSSAT cropping system model / J.W. Jones, G. Hoogenboom, C.H. Porter, [et al.] // European Journal of Agronomy. - 2003. - №2 18. - С. 235-265.

131. Tsuji, G.Y. DSSAT / G.Y. Tsuji, G. Uehara, S. Balas. - Honolulu, Hawaii: University of Hawaii, 1994. - Vol. 3. - 244 с.

132. Uehara, G. Overview of IBSNAT / G. Uehara, G.Y. Tsuji // Understanding Options For Agricultural Production. - Kluwer Academic Publishers, Dordrecht, The Netherlands, 1998. - C. 1-7.