Закономерности сезонной динамики содержания фотосинтетических пигментов у видов рода Acer L. тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Игнатова Мария Александровна

• Игнатова Мария Александровна
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Игнатова Мария Александровна

СОКРАЩЕНИЯ И ОБОЗНАЧЕНИЯ

ВВЕДЕНИЕ

ГЛАВА 1 ОБЗОР ЛИТЕРАТУРЫ

1.1 Фотосинтетические пигменты и их роль в оценке функционального состояния растений

1.2 Влияние внешних факторов на фотосинтетический аппарат растений .... 17 1.3Обзор методов определения содержания пигментов

1.3.1 Метод регистрации параметров флуоресценции хлорофилла

1.3.2 Количественное определение содержания пигментов методом спектрофотометрии

1.3.3 Хроматография

1.3.4 Использование технологий дистанционного зондирования Земли для

мониторинга состояния фотосинтетических пигментов

ГЛАВА 2 ОБЪЕКТ ИССЛЕДОВАНИЙ

ГЛАВА 3 МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЙ

3.1 Материалы исследования

3.2 Климат района исследования

3.3 Организация эксперимента и его методика

3.3.1 Колличественное определение содержания пигментов методом спектрофотометрии

3.3.2 Методика гиперспектральной съемки листьев кленов

3.3.3 Математическая обработка данных

ГЛАВА 4 РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ И ИХ ОБСУЖДЕНИЕ

4.1 Сезонная динамика содержания фотосинтетических пигментов в листьях Acer negundo L., Acer saccharinum L., Acer campestre L

4.2 Оценка влияния среднесуточной температуры, уровня влагообеспеченности, продолжительности светового дня на сезонную динамику фотосинтетических пигментов кленов

4.3 Идентификация видов Acer L. с помощью вегетационных индексов, рассчитанных по данным гиперспектральной съемки

4.4 Определение фотосинтетических пигментов в листьях Acer negundo, Acer saccharinum, Acer campestre с помощью вегетационных индексов,

рассчитанных по данным гиперспектральной съемки

ЗАКЛЮЧЕНИЕ

ВЫВОДЫ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

СОКРАЩЕНИЯ И ОБОЗНАЧЕНИЯ ВИ - Вегетационные индексы ДЗЗ - Дистанционное зондирование Земли БПЛА - Беспилотный летательный аппарат ГТК - гидротермический коэффициент A. campestre - Acer campestre L. A. negundo - Acer negundo L. A. saccharinum - Acer saccharinum L. A. platanoides - Acer platanoides L. A. pseudoplatanus - Acer pseudoplatanus L. Хл a - Хлорофилл a Хл b - Хлорофилл b

Введение диссертации (часть автореферата) на тему «Закономерности сезонной динамики содержания фотосинтетических пигментов у видов рода Acer L.»

ВВЕДЕНИЕ

Виды рода Acer L. активно применяются для озеленения городских территорий, искусственных лесов и мелиоративных насаждений. Среди наиболее распространённых видов в Ростовской области можно выделить Acer platanoides L., Acer pseudoplatanus L., Acer negundo L., Acer saccharinum L. и Acer campestre L. (Ассортимент древесных растений..., 2009). Данные виды отличаются устойчивостью к холодам, засухам и имеют сравнительно долгий срок жизни (около 50-60 лет).

Однако климатические особенности региона считаются неблагоприятными для развития многих древесных растений (Kozlovsky, 2010). Отрицательное влияние может усиливаться под воздействием специфических условий городской среды.

Древесные растения обладают высокой восприимчивостью к антропогенному воздействию, что делает их отличными индикаторами состояния городских экосистем. Важными диагностическими критериями экологического стресса древесных видов являются чувствительные к факторам окружающей среды сложные фотосинтетические процессы растений (Чернявская и др., 2021).

Эколого-физиологический аспект процесса фотосинтеза лежит в основе понимания закономерностей формирования продуктивности растений и механизмов адаптации растений к условиям окружающей среды.

Содержание и пропорции фотосинтетических пигментов в листьях, являются результатом эволюционного приспособления к условиям произрастания вида, при этом фотосинтетическая система чутко реагирует на изменения внешних условий, в первую очередь на изменение режима освещенности.

Количество пигментов и их пропорция могут изменяться под действием климатических факторов, почвенных условий, загрязнения атмосферы. Это позволяет использовать содержание фотосинтетических пигментов для оценки состояния окружающей среды (Заплатин, 2008;

Кутузова, 2013; Скочилова, 2013; Яшин и др., 2015; Шаркаева, 2016; Параскевопуло и др., 2017; Сарсацкая, 2017; Соколова, 2019), изучения степени адаптации растений к условиям произрастания и уровня стресса (Иванов и др., 2013, 2020; Назарова, 2017), в частности при интродукции (Кузнецов, 2009; Бессчетнов, 2011), а также выявить видовые особенности растений (Cao et al., 2018; Miyoshi et al., 2020; Dmitriev et al., 2022; Игнатова и др., 2022).

Качественные и количественные характеристики состава фотосинтетических пигментов, являются ключевыми показателями для определения функционального состояния растений (Genty et al., 1989; Nelson et al., 2006; Blackburn et al., 2007; Blackburn, 2008; Kattenborn et al., 2018).

Фотосинтетические пигменты лежат в основе процессов фотосинтеза. Понимание закономерностей их метаболизма и функционирования необходимо в исследованиях защитных механизмов растений, а также механизмов поддержания биогеохимического и энергетического статуса растительных сообществ (Sims et al., 2002; Xu et al., 2003; Shipley et al., 2006; Kiang et al., 2007; Ma et al., 2011).

Содержание фотосинтетических пигментов в листьях растений служит важным параметром фотосинтеза и защиты растений от фотоингибирования (Удовенко, 1995; Jespersen et al., 2016).

При изучении эколого-физиологических аспектов фотосинтеза необходимо соблюдать ряд условий, позволяющих объективно оценить сезонную динамику фотосинтетических пигментов и отделять действие изучаемых факторов от случайных (Фоминых и др., 2020). Применяя разрушающие методы, связанные с экстракцией пигментов, исследователи часто ограничиваются анализом небольшого числа проб за сезон, что не позволяет охарактеризовать особенности сезонной динамики фотосинтетических пигментов у конкретного вида и оценить стратегию адаптации вида к условиям окружающей среды. Хотя эти методы являются

точными, они требуют больших затрат времени и усилий (Gholizadeh et al., 2017).

К неразрушающим методам определения содержания фотосинтетических пигментов относятся: спектрофотомерия отраженного света и флуориметрия. Преимущество спектрофотомерии отраженного света заключается в возможности использования её в дистанционном зондировании (Fiorani et al., 2013; Zhang et al., 2022; Глаз, 2015; Petibon et al., 2022).

Интенсивно развивающееся в настоящее время направление дистанционного зондирования растительного покрова базируется в основном на гиперспектральных методах, отражающих в основном изменчивость содержания фотосинтетических пигментов.

Кроме использования гиперспектральной съемки с целью определения вегетационных индексов, чрезвычайно важно развивать ее возможности для идентификации видов древесных растений и изучения экологии крупных древесных массивов. Зелёные насаждения в городах требуют постоянного учёта и мониторинга их состояния (Кулакова, 2012; Игнатова и др., 2022). Однако большие территории насаждений затрудняют ежегодное проведение инвентаризации и мониторинга с использованием традиционных методов.

Проведение точных измерений в спектральном диапазоне фотосинтетически активной радиации (ФАР) стало возможным благодаря использованию мультиспектральных и гиперспектральных камер, способных к спектральному с высоким разрешением. Исследования показали, что длины волн, близкие к полосам 700 нм и 550 нм, наиболее показательны в оценке содержания хлорофиллов и каротиноидов. Поэтому большинство вегетационных индексов (ВИ), чувствительных к хлорофиллу, получают с помощью функций, описывающих спектральные параметры видимого и инфракрасного диапазонов. Именно эти параметры наиболее эффективно коррелируют с фотосинтетическими процессами растительного покрова (Lichtenthaler, 1987; Gitelson et al., 1996; Kooistra et al., 2016).

Так, значения вегетационных индексов, относящихся к группам «Broadband Greenness», «Narrowband Greenness», «Light Use Efficiency», «Leaf Pigments», очень сильно зависят от содержания фотосинтетических пигментов. При этом часто возникает необходимость сопоставить результаты оценки характеристик растительных объектов, полученных с помощью «зеленых» вегетационных индексов, с результатами определения пигментов традиционными методами (Абдуррахманова, 2016; Ерошенко, 2018; Daughtry et al., 2000; Hunt et al., 2011).

Цель работы - выявить закономерности сезонной динамики концентрации фотосинтетических пигментов у видов рода Acer L.

Задачи исследования:

1. Охарактеризовать сезонную динамику содержания фотосинтетических пигментов у видов Acer campestre L., Acer negundo L., Acer saccharinum L.

2. Оценить влияние среднесуточной температуры, уровня влагообеспеченности, продолжительности светового дня на сезонную динамику фотосинтетических пигментов Acer campestre L., Acer negundo L., Acer saccharinum L.

3. Разработать подходы к идентификации древесных видов рода Acer L. и определению фотосинтетических пигментов в листьях Acer campestre L., Acer negundo L., Acer saccharinum L. с помощью вегетационных индексов, рассчитанных по данным гиперспектральной съемки, и построить регрессионную модель суммарного содержания хлорофиллов.

Основные положения:

1. Сезонная динамика фотосинтетических пигментов всех трех видов кленов различается по среднему уровню процесса и его направленности, а также отражает стратегию приспособления видов к засухе. Динамика содержания фотосинтетических пигментов в листьях Acer campestre L., Acer negundo L., Acer saccharinum L. имеет выраженный сезонный характер. Максимум содержания хлорофилла a приходится на

фенофазу «вызревания побегов и формирования плодов». Максимум содержания хлорофилла b приходится на фенофазу «рост побегов-окончание». Максимум содержания каротиноидов у A. campestre, у A. saccharinum и A. negundo приходится на фенофазу «вызревание побегов».

2. У видов рода Acer L. (A. campestre, A. saccharinum и A. negundo) имеется положительная коррелятивная связь (г>0,7) между содержанием пигментов, продолжительностью светового дня и среднесуточной температурой. Наиболее чувствительным и информативным пигментом при оценке влияния среднесуточной температуры и продолжительности светового дня является хлорофилл а. Наиболее чувствительным пигментом при оценке влияния уровня влагообеспеченности на сезонную динамику фотосинтетических пигментов являются каротиноиды.

3. Идентификация видов Acerplatanoides L., Acerpseudoplatanus L., Acer saccharinum L., а также определение фотосинтетических пигментов в листьях Acer campestre L., Acer negundo L., Acer saccharinum L. возможны с помощью вегетационных индексов TCARI/OSAVI и CARI, рассчитанных по данным гиперспектральной съемки. Однофакторная регрессионная модель эффективна для определения вегетационных индексов, отражающих сезонную динамику суммарного содержания хлорофиллов a и b у Acer campestre L., Acer negundo L., Acer saccharinum L.

Научная новизна. Впервые применен комплексный подход для определения сезонной динамики фотосинтетических пигментов с использованием методов спектрофотомерии и гиперспектральной съемки у Acer campestre L., Acer negundo L., Acer saccharinum L. Для этих видов впервые выявлены закономерности сезонной динамики концентрации хлорофиллов а и b, каротиноидов и значений ВИ, чувствительных к фотосинтетическим пигментам.

Установлены характерные особенности динамики фитопигментов и ВИ в зависимости от видов кленов и абиотических факторов.

Впервые показана возможность идентификации Acer platanoides L., Acer pseudoplatanus L., Acer saccharinum L. с помощью вегетационных индексов, рассчитанных по данным гиперспектральной съемки.

Теоретическая и практическая значимость. Полученные результаты вносят существенный вклад в понимание эколого-физиологических аспектов процесса фотосинтеза у видов рода Acer L., закономерностей формирования их продуктивности и адаптации к условиям окружающей среды.

Полученные результаты позволят расширить современные данные об использовании фотосинтетических пигментов для оценки состояния окружающей среды, а также подтверждают перспективность использования гиперспектральных камер для определения фотосинтетических пигментов в листьях древесных растений.

Для Acer campestre L., Acer negundo L., Acer saccharinum L. выявлены спектральные индексы, которые могут служить в качестве проксиметрик для оценки концентраций хлорофиллов при ДЗЗ.

Полученные данные вносят вклад в методологию удаленной спектральной идентификации видов древесных растений, а также в методологию инвентаризации больших древесных массивов с использованием гисперспектральной съемки.

Степень достоверности. Выводы и положения базируются на основе применения современных методов статистической обработки информации и использования современного специализированного оборудования для эколого-физиологических исследований и специализированного программного обеспечения.

Личный вклад автора. В диссертации представлены результаты исследований, проведённых в период с 2019 по 2024 год. Автор самостоятельно провёл анализ научной литературы по теме исследования. Название, цели, задачи, объекты и методы исследования были выбраны и проанализированы автором совместно с научным руководителем. Анализ, обобщение полученных результатов, формулировка основных положений и

выводов проводились автором при участии научного руководителя. Подготовка публикаций по теме исследования была выполнена автором самостоятельно или при его активном участии.

Соответствие паспорту специальности. Диссертационная работа соответствует паспорту специальности 1.5.15. Экология, прежде всего, пункту 1: Закономерности влияния абиотических и биотических факторов на организмы. Экофизиология (факториальная экология). Адаптации организмов к различным факторам среды. Жизненные формы и адаптивные типы. Изменение организмами среды обитания.

Апробация работы. Результаты диссертационного исследования были представлены на конференциях различного уровнях: на Международных научно-практических конференциях: «Биоразнообразие, рациональное использование биологических ресурсов и биотехнологии» (Астрахань, 2021), «Природноресурсный потенциал, экология и устойчивое развитие регионов России» (Пенза, 2022), «Биологическое разнообразие и биоресурсы степной зоны в условиях изменяющегося климата» (Ростов-на-Дону, 2022).

Публикации. По теме диссертационного исследования опубликовано 7 работ, среди которых 1 публикация в журналах, входящих в международные библиографические и реферативные базы данных Scopus и Web of Science, 3 статьи опубликовано в научных журналах ВАК.

Структура и объем работы. Объем диссертационной работы 149 страниц машинописного текста. Диссертация содержит введение, четыре главы, заключение, выводы, список литературы, 20 таблиц, 19 рисунков. Список литературы содержит 334 источника, из них 229 на иностранных языках.

Конкурсная поддержка работы. Исследование выполнено при финансовой поддержке Фонда содействия инновациям, в рамках конкурса «УМНИК-20 (ЦЭ-1) (532ГУЦЭС8-03/62145 (вн. номер 0062145) от 05.10.2020 г), РНФ «Изучение кинетических параметров флуоресценции и адсорбции света фотосинтезирующими растениями в условиях воздействия

естественных и искусственных факторов внешней среды» (№ 22-14-00338), и при поддержке Программы стратегического академического лидерства Южного федерального университета Приоритет 2030 «Динамическая модель спектральных характеристик зеленых насаждений».

Благодарности. Автор выражает благодарность научному руководителю, д.п.н., профессору Т.В. Вардуни за помощь на всех этапах работы. Также, автор выражает благодарность доценту кафедры ботаники, к.б.н. В.С. Лысенко, сотрудникам Ботанического сада ЮФУ с.н.с. П.А. Дмитриеву, с.н.с. Б.Л. Козловскому, а также сотрудникам кафедры экологии и природопользования Академии биологии и биотехнологии им. Д.И. Ивановского ЮФУ.

ГЛАВА 1 ОБЗОР ЛИТЕРАТУРЫ

1.1 Фотосинтетические пигменты и их роль в оценке функционального

состояния растений

Хлорофилл и каротиноиды — важные элементы фотосинтетического комплекса в листьях растений. Количество этих элементов определяется генетическими характеристиками и особенностями функционирования организма. Физиологические показатели успешно применяются учёными для изучения онтогенетических, возрастных и генетических свойств растений. Качественный и количественный состав пигментов отражает реакцию растений на условия их роста (Практикум по физиологии..., 2013; Сальников, Маслов, 2014; Chernyavskaya et al., 2023).

Содержание и пропорции фотосинтетических пигментов являются результатом эволюционной адаптации к условиям произрастания вида, при этом фотосинтетическая система чутко реагирует на изменения внешних условий, в первую очередь на освещенность. Количество пигментов их пропорция может изменяться под действием климатических факторов, почвенных условий, загрязнения атмосферы. Это позволяет использовать содержание фотосинтетических пигментов для оценки состояния окружающей среды (Кутузова, 2013; Скочилова, 2013; Заплатин, 2008; Шаркаева, 2016; Сарсацкая, 2017; Параскевопуло, 2017; Яшин, 2015; Соколова, 2019), степени адаптации растений условиям произрастания и уровня стресса (Назарова и др., 2017; Иванов и др., 2013,2020; Zarco-Tejada et al., 2004; Penuelas and Filella, 1998; Chaerle and Van Der Straeten, 2000), в частности при интродукции (Бессчетнов, 2011; Кузнецов, 2009; Cao, 2018; Miyoshi, 2020).

При изучении фотосинтетического аппарата листьев растений, необходимо исследовать сезонную динамику содержания хлорофилла и каротиноидов (Титова, 2013; Практикум по физиологии., 2013; Воскресенская, 2014; Волкова, Шешегова, 2019).

Качественные и количественные характеристики фитопигментов являются одними из важнейших показателей при оценке функционального состояния растений (Genty et al., 1989; Nelson and Yocum, 2006; Blackburn et al., 2006; Kattenborn et al., 2018; Blackburn et al., 2007; Игнатова, 2022), показывают их адаптационные возможности и взаимодействие в биогеохимических процессах (Xu et al., 2003; Sims, 2002; Kiang et al., 2007; Shipley et al., 2006; Ma et al., 2011).

Развитие новых методов изучения содержания фотосинтетических пигментов облегчает задачи оценки средообразующего и санитарно-гигиенического потенциала растений, используемых для озеленения крупных мегаполисов. Основанное на этих методах своевременное выявление угнетенного состояния растительности позволяет оценить возможные риски, повысить эффективность внесения агрохимикатов и удобрений и своевременно выработать обоснованные управленческие решения как в декоративном растениеводстве, так и в сельском хозяйстве, направленные на предотвращение гибели посевных культур, устранение последствий пересыхания земель, лесов, и предупреждение опустынивания территорий (Evans,1989; Yoder et al., 1995; Delalieux, 2007; Bürling,2010; Zheng, 2018; Hernández-Clemente et al., 2019; Dmitriev et al., 2022).

Основные пигменты, участвующие в процессе фотосинтеза высших растений представлены двумя типами пигментов: зелеными - хлорофиллами а и b, и желтыми - каротиноидами (GuoChun-ai, 2006; Lin,2003; Практикум по физиологии..., 2013; Игнатова и др., 2022). Хлорофиллы и каротиноиды захватывают солнечное излучение, а также защищают растение от фотоповреждений и стресса (Zarco-Tejada, 2002; Lev-Yadun, Gould, 2008; Zarco-Tejada, 2018; Kattenborn,2019).

Содержание хлорофилла а и b в листьях растений напрямую связано с уровнем фотосинтетической активности и углеводного синтеза, что является основным условием функционирования, продуктивности и урожайности (Smith et al., 1995; GuoChun-ai,2006; Игнатова и др., 2022). Так, например,

сезонная динамика содержания хлорофиллов позволяет прогнозировать урожайность сельскохозяйственных культур (Dawson et al., 2003; Gitelson et al., 2006; Wang et al., 2014; Yang et al., 2019; Han et al., 2020; Zhou et al., 2017; Zeng et al., 2021).

Концентрация хлорофиллов также может служить индикатором стрессов или заболеваний растений (Zarco-Tejada,2004; Penuelas and Filella, 1998; Chaerleand Van Der Straeten, 2000; Игнатова и др., 2022). Хлорофиллы имеют два максимума поглощения света в синей (430~460 нм) и красной (650~700 нм) областях спектра. Каротиноиды в отличие от хлорофиллов не поглощают красный свет и не обладают способностью флуоресцировать. Каротиноиды расширяют спектральный диапазон фотосинтеза в зеленой области и защищают основные пигменты от перекисных радикалов, формирующихся на этапе световой фазы фотосинтеза (Медведев, 2004; Маслова, 2009; Кудряшов и др., 2011).

Каротиноиды выполняют функции фотопротекторов - защищают хлорофилл от фотоокисления на слишком ярком свету и подавляют процесс накопления возбужденного синглетного кислорода, препятствуя, таким образом, окислительному стрессу (Гордиев, 1963; Медведев, 2004). Каротиноиды поглощают свет с длиной волны 280-550 нм (это зеленая, синяя, фиолетовая, ультрафиолетовая области спектра) (Ладыгин, Ширшикова, 2006; Ульяновский и др., 2001; Медведев, 2004).

Каротиноиды выполняют ряд важнейших функций в процессе фотосинтеза:

1) Антенная функция каротиноидов заключается в поглощении света в синей области спектра и передаче поглощённой энергии на хлорофиллы. Каротиноиды, такие как виолаксантин, лютеин, зеаксантин и неоксантин, выступают в роли вспомогательных пигментов в антенных комплексах фотосистем и передают энергию возбуждения на хлорофиллы. Это играет ключевую роль в фотосинтетической цепи переноса электронов и

функционировании хлоропластов (Ульяновский и др., 2001; Медведев, 2004; Baker, Rosenqvist, 2004; de Matos Nunes et al., 2014).

2)Защитная (мембраностабилизирующая). Каротиноиды обладают уникальной способностью защищать клетки от разрушительного воздействия свободных радикалов благодаря своим особым свойствам. Их мембраны стабилизируются за счёт наличия сопряжённых двойных связей, которые позволяют им связывать синглетный кислород и ингибировать его образование. Это предотвращает повреждение фотосинтетического аппарата и обеспечивает сохранность клеток. Кроме того, каротиноиды защищают от ультрафиолетового излучения, преобразуя энергию УФ-света в видимый свет (Параскевопуло и др., 2017). Таким образом, они предотвращают разрушение чувствительных тканей и лабильных соединений, выступая в роли мощных антиоксидантов. (Sherwin, 1996; Lev-Yadun, Gould, 2008; Zarco-Tejada et al., 2018).

3) Фотопротекторная функция каротиноидов заключается в их способности защищать реакционный центр от фотоокисления на слишком ярком свете. Каротиноиды отнимают избыток энергии у возбужденного хлорофилла или синглетного О2 и рассеивают ее через процесс нерадиационной релаксации в виде тепла. Они могут переносить электрон с радикала и модифицировать его структуру, предотвращая дальнейшее развитие цепной реакции (Lev-Yadun, Gould, 2008; Zarco-Tejada et al., 2018; Параскевопуло и др., 2017). У большинства растений в такой период увеличивается концентрация тетратерпенов (Sherwin,1996; Yamasaki, 1997; Coley, Kusar 1996).

Дефицит воды и засуха повреждают фотосинтетический аппарат и фотосинтетические пигменты (хлорофилл a, хлорофилл b и каротиноиды), что снижает скорость фотосинтеза (Noctor et al., 2002; Guo et al., 2018). Фотосинтетические пигменты также связаны со стрессоустойчивостью растений (Baker, Rosenqvist, 2004; deMatosNunes et a!., 2014).

На ранней стадии появления стресса у растений происходит изменения устьичной проводимости и скорости фотосинтеза, что приводит к изменению концентрации пигментов в листьях (Со1еу, Kusar 1996; Hemandez-Qemente et а1., 2019; Игнатова и др., 2022). Когда растения находятся в состоянии стресса или в периоде старения листьев, происходит снижения концентрации фотосинтетических пигментов. При этом снижение концентрации хлорофилла идет быстрее, чем снижение концентрации каротиноидов (ОйеЬоп, Меге1уак, 1994; Меге1уак et а1., 1999), поэтому такой показатель, как отношение суммы хлорофиллов к содержанию каротиноидов, может служить индикатором стрессового состояния.

1.2 Влияние внешних факторов на фотосинтетический аппарат растений

Установлено, что пигментный аппарат растений довольно активно реагирует на различные изменения, происходящие в окружающей среде, в частности на техногенное загрязнение (Удовенко, 1995; Кириенко, Терлеева, 2009; Титова, 2014).

Многие исследователи занимаются разработкой методов, которые позволяют на раннем этапе диагностировать физиологические изменения. Например, группой учёных было обнаружено влияние кадмия на синтез пигментов, с использованием данных видимого спектрального диапазона, что позволило создать метод ранней фитодиагностики (Кынчева и др., 2011).

Реакция растений на стресс может быть многофазной. Например, тяжёлые металлы (Ху и др., 2007), автотранспортное загрязнение (Ерофеева и др., 2009) и газопылевые выбросы предприятий влияют на функционирование фотосинтетического аппарата древесных растений. Физиологические изменения могут зависеть от таксономической принадлежности объекта, типа загрязняющих веществ и других экологических факторов (Тарабрин, 1984).

Фитодиагностика играет важную роль в мониторинге растительного мира. Многоспектральные данные, полученные в ходе исследований,

позволяют выявлять стрессовые состояния растений. Индикаторами негативного воздействия стрессовых факторов служат различные растительные биопараметры.

Рост и развитие растений в условиях высокотемпературного стресса сопряжены с рядом морфологических, биохимических и физиологических изменений (Wahid et al., 2007).

Тепловой шок, вызванный повышением температуры воздуха, может вызвать изменение периодов вегетации растений (Porter, 2005).

Тепловой стресс вызывает повреждение белков, нарушает их синтез, дезактивирует основные пигменты и повреждает мембранные оболочки. Тепловой стресс также может оказывать серьезное влияние на процесс деления клеток (Smertenko et al., 1997). Все эти факторы могут серьезно ограничить рост растений, а также способствовать окислительному повреждению.

Тепловой стресс - абиотический фактор, влияющий на фотосинтетические параметры растений, его часто определяют как повышение температуры воздуха сверх порогового уровня, в течение длительного периода времени, но достаточного для того, чтобы нанести ущерб росту и развитию растений (Chaudhry et al., 2022; Mondai et al., 2023; Chandarak et al., 2023; Falcioni et al., 2024).

Однако тепловой стресс представляет собой сложную функцию интенсивности (температуры в градусах), продолжительности и скорости повышения температуры. Степень его возникновения в конкретных климатических зонах зависит от вероятности и периода высоких температур днем и/или ночью (Удовенко, 1995; Григорьев и др., 2002; Лысенко, 2013).

По мере повышения глобальной температуры засуха становится одним из наиболее серьезных абиотических стрессов, вызывающих гибель растений (Zhu, 2016; Fahad et al., 2017). Отслеживая изменения количественного содержания фотосинтетических пигментов, мы можем определить влияние засухи на физиологическое состояние растения,

эффективно регулировать адаптивность экосистемы растения и добиться оптимизации стратегий управления посадками и эффективности использования ресурсов (Ji et al., 2022; Tian et al., 2024).

На изменении условий среды произрастания, растительность реагирует накоплением/разрушением пигментов в листьях, спектры отражения также различаются (Чернявская и др., 2023).

Длительное воздействие высоких температур влияет на рост и развитие растений, а действие высокотемпературного стресса проявляется в снижении их фотосинтетической способности и скорости фотосинтеза, что приводит к изменению структуры и функции фотосинтетического аппарата (Wahid et al., 2007; Wang et al., 2020).

Фотосинтез уже давно признан одним из наиболее термочувствительных процессов в растениях (BerryandBjôrkman, 1980, ZhangandSharkey, 2009). Фотосинтез лишь немногих растений устойчив при температуре выше 30°С (Crafts-Brandner and Salvucci, 2000; Sage and Kubien, 2007). Однако снижение часто обратимо.

На температурной кривой фотосинтеза можно выделить три ключевые точки: минимум, оптимум и максимум. При повышении температуры до диапазона 25-35 °C фотосинтез включает не только световые фотохимические реакции, но и обычные ферментативные биохимические процессы, не требующие света (Мокроносов, 2006).

Влияние температуры на фотосинтез становится более выраженным при высокой интенсивности света, что обусловлено различиями в мощности, продуктивности и пропускной способности фотохимической и ферментной систем. Изменение температурного режима не оказывает существенного влияния на скорость фотохимических реакций, в то время как тёмные ферментативные реакции чувствительны к нему (Baker et al., 2004; de Matos Nunes et al., 2014).

Список литературы диссертационного исследования кандидат наук Игнатова Мария Александровна, 2024 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Ahanger A., Tomar N.S., Tittal M., Argal S., Agarwal R.M. Plant growth under water/salt stress: ROS production; antioxidants and significance of added potassium under such conditions // Physiology and Molecular Biology of Plants. - 2017. - Vol. 23. - P. 731-744.

2. Alonzo M., Bookhagen B., Roberts D.A. Urban tree species mapping using hyperspectral and lidar data fusion // Remote Sensing of Environment. -2014. - Vol. 148. - P. 70-783.

3. Anjum S.A., Xie X.Y., Wang L.C., Saleem M.F.; Man C., Lei W. Morphological, physiological and biochemical responses of plants to drought stress // African Journal of Agricultural Research. . - 2011. - Vol. 6. - P. 2026-2032.

4. Apan A., Held A., Phinn S., Markley J. Detecting sugarcane "orange rust" disease using EO-1 Hyperion hyperspectral imagery // International Journal of Remote Sensing. - 2004. - Vol. 25 (2) - P. 489 - 498.

5. Asner G.P., Martin R.E., Anderson C.B., Knapp D.E. Quantifying forest canopy traits: imaging spectroscopy versus field survey // Remote Sensing of Environment.- 2015. - Vol. 158 - P. 15-27.

6. Baker N.R., Rosenqvist E. Applications of chlorophyll fluorescence can improve crop production strategies: An examination of future possibilities // Journal of Experimental Botany. - 2004. - Vol. 55 - P. 1607-1621.

7. Baret F., Guyot G. Potentials and limits of vegetation indices for LAI and APAR assessment. // Remote Sensing of Environment.- 1991. - Vol. 35 - P. 161-173.

8. Bareth G., Aasen H., Bendig J., Gnyp M.L., Bolten A., Jung A., Michels R., Soukkamaki J. Low-weight and UAV-based hyperspectral full-frame cameras for monitoring crops: Spectral comparison with portable spectroradiometer measurements. // Journal of Photogrammetry, Remote Sensing and Geoinformation Science. - 2015.- Vol. 1 - P. 69- 79.

9. Barmeier G., Schmidhalter, U. High-throughput field phenotyping of leaves, leaf sheaths, culms and ears of spring barley cultivars at anthesis and dough ripeness. // Frontiers in Plant Science. - 2017. - Vol. 8, 1920.

10. Battaglia M.L.; Lee C.; Thomason W. Corn yield components and yield responses to defoliation at different row widths. // Agronomy Journal. -2018. - Vol. 110 - P. 1-16.

11. Becker E., Schmidhalter U. Evaluation of Yield and Drought Using Active and Passive Spectral Sensing Systems at the Reproductive Stage in Wheat. //Frontiers in Plant Science. - 2017. - Vol. 8, 379.

12. Begue A., Lebourgeois V., Bappel E., Todoroff P., Pellegrino A., Baillarin F., Siegmund B. Spatio-temporal variability of sugarcane fields and recommendations for yield forecast using NDVI. // Remote Sensing. - 2010 - Vol. 31 - P. 5391-5407. https: .doi.org/10. 1080/01431160903349057.

13. BerryJ.A., Bjorkman O. Photosynthetic Response and Adaptation to Temperature in Higher Plants. // Annual Review of Plant Physiology. - 1980. -Vol. 31 - P. 491-543.

14. Bielach A., Hrtyan M., Tognetti V.B. Plants under stress: Involvement of auxin and cytokinin.// International Journal of Molecular Sciences. - 2017. - V. 18, 1427.

15. Blackburn G. Quantifying Chlorophylls and Caroteniods at Leaf and Canopy Scales: An Evaluation of Some Hyperspectral Approaches // Remote Sensing of Environment - 1998. - V. 66 (3). P. 273-285.https://doi.org/10.1016/S0034-4257(98)00059-5

16. Blackburn G. Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis // Remote Sensing of Environment.-2008- V. 112. P. 1614-1632.

17. Blackburn G.A. Hyperspectral remote sensing of plant pigments. //Journal of Experimental Botany. - 2008 - V. 58(4). P. 855-867. doi: 10.1093/jxb/erl123.

18. Boochs F., Kupfer G., Dockter K., Kuhbauch W. Shape of the red edge as vitality indicator for plants. // International Journal of Remote Sensing. -1990. - V. 11 (10). P. 1741-1753.

19. Broge, N., Leblanc, E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. // Remote Sensing of Environment. - 2001. - V. 72 (2). P. 156 - 172.

20. Burling K., Hunsche M., Noga G. Quantum yield of non-regulated energy dissipation in PSII (Y(NO)) for early detection of leaf rust (Puccinia triticina) infection in susceptible and resistant wheat (Triticum aestivum L.) cultivars.// Precision Agriculture.- 2010. - V. 11. - P. 703-716.

21. Cao J., Leng W., Liu K., Liu L., He Z., Zhu Y. Object-Based mangrove species classification using unmanned aerial vehicle hyperspectral images and digital surface models// Remote Sensing. - 2018. - V. 10. - P. 89.

22. Carter G.A. Ratios of leaf reflectances in narrow wavebands as indicators of plant stress. // Journal of Remote Sensing. - 1994. - V. 15(3). - P. 697-703. https://doi.org/10.1080/01431169408954109

23. Castro S., Sanchez-Azofeifa A. Testing of Automated Photochemical Reflectance Index Sensors as Proxy Measurements of Light Use Efficiency in an Aspen Forest. // Sensors. - 2018. - V. 18 (3302).

24. Chaerle L., Van Der Straeten D. Imaging techniques and early detection of plant stress. // Trends in Plant Science. - 2000. - V. 5(11). - P. 495501.

25. Chandarak N., Somjinda P., Phoncharoen P., Banterng P., Taratima W., Theerakulpisut P., Dongsansuk A. Phenology, Physiology and Growth of Rice under Heat Booting Heat Stress Alters Leaf Photosynthesis, Growth Rate, Phenology and Yield in Rice. // Plant Stress. - 2023. - V. 10 (100226).

26. Chappelle E.W. Ratio analysis of reflectance spectra (RARS): an algorithm for the remote estimation of the concentrations of chlorophyll a,

chlorophyll b, and carotenoids in soybean leaves // Remote Sensing of Environment. - 1992. - V. 3. - P. 22-32.

27. Chaudhry S., Sidhu G.P.S. Climate Change Regulated Abiotic Stress Mechanisms in Plants: A Comprehensive Review. // Plant Cell Reports. - 2022. -V. 41. - P. 1-31.

28. Che S., Du G., Zhong X., Mo Z., Wang Z., Mao Y. Quantification of Photosynthetic Pigments in Neopyropiayezoensis Using Hyperspectral Imagery // Plant Phenomics- 2023. - V. 5. (0012). https://doi.org/10.34133/plantphenomics.0012

29. Chen J. M. Evaluation of vegetation indices and a modified simple ratio for boreal applications. // Canadian Journal of Remote Sensing. - 1996. - V. 22- P. 229 - 242.

30. Chernyavskaya I., Ednich E., Tolstikova T. Содержание фотосинтетических пигментов в листьях представителей рода Acer L. в условиях городской среды. // Siberian Journal of Life Sciences and Agriculture. - 2023. - Vol. 15 (5). - P. 153-171. https://doi.org/10.12731/2658-6649-2023-15-5-931

31. Chou, S.; Chen, J.; Yu, H.; Chen, B.; Zhang, X.; Croft, H.; Khalid, S.; Li, M.; Shi, Q. Canopy-Level PhotochemicalReflectance Index from Hyperspectral Remote Sensing and Leaf-Level Non-Photochemical Quenching asEarly Indicators of Water Stress in Maize. // Remote Sensing. - 2017. - Vol. 9 - Article 79.

32. Clark M.L., Roberts D.A. 2012. Species-level differences in hyperspectral metrics among tropical rainforest trees as determined by a tree-based classifier. // Remote Sensing. - 2012. - Vol. 4 (6) - P. 1820-1855.

33. Clevers J.G.P.W., Kooistra L., van den Brande M.M.M. Using Sentinel-2 data for retrieving LAI and leaf and canopy chlorophyll content of a potato crop. // Remote Sensing. - 2017. - Vol. 9 - P. 1-15.

34. Coley P. D., Kusar T. A. Anti-herbivore defenses of young tropical leaves: physiological constraints and ecological tradeoffs // Tropical forest plant ecophysiology. - 1996 - P. 305-335.

35. Colomina I., Molina P. Unmanned Aerial Systems for Photogrammetry and Remote Sensing: A Review. // Journal of Photogrammetry and Remote Sensing. - 2014. - Vol. 92 - P. 79-97.

36. Cook B.I., Smerdon, J.E., Seager R., Coats S. Global warming and 21st century drying. // Climate Dynamics. - 2014- Vol. 43 - P. 2607-2627.

37. Crafts-Brandner S.J., Salvucci M.E. Rubisco activase constrains the photosynthetic potential of leaves at high temperature and CO2. // Proc Natl Acad Sci U S A. - 2000. - Vol. 97 (24) - P. 13430-5.

38. Curran P.J., Dungan J.L. and Gholz H.L. Exploring the Relationship between Reflectance Red Edge and Chlorophyll Content in Slash Pine. // Tree Physiology. - 1990. - Vol. 7 - P. 33- 48.

39. Dainelli R., Toscano P., Di Gennaro S. F., Matese A. Recent Advances in Unmanned Aerial Vehicles Forest Remote Sensing - a Systematic Review. Part II: Research Applications. // Forests. - 2021. - Vol. 12(4). - P. 397.

40. Dash J., Curran P. J. The MERIS terrestrial chlorophyll index. // International Journal of Remote Sensing. - 2004. - Vol. 25 (23). - P. 5403 - 5413.

41. Datt B. A new reflectance index for remote sensing of chlorophyll content in higher plants: tests using Eucalyptus leaves. // Journal of Plant Physiology. - 1999. - Vol. 154. - P. 30-36.

42. Datt B. Remote sensing of chlorophyll a, chlorophyll b, chlorophyll a+b, and total carotenoid content in Eucalyptus leaves. // Remote Sensing of Environment. - 1998. - Vol. 66 (2). - P. 111 - 121.

43. Daughtry C.S.T., Walthall C.L., Kim M.S., De Colstoun E.B., McMurtreyIii J.E., 2000. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. // Remote Sensing of Environment.- 2000. - Vol. 74 (2). -P. 229-239.

44. Dawson T.P., North P.R.J., Plummer S. B., Curran P.J. Forest ecosystem chlorophyll content: implications for remotely sensed estimates of net primary productivity// Remote Sensing.- 2003. - Vol. 24 (3). - P. 611-617.

45. de Matos Nunes J., Bertodo L.O.O., Da Rosa L.M.G., Von Poser G.L., Rech S.B. Stress induction of valuable secondary metabolites in Hypericum polyanthemum acclimatized plants. // South African Journal of Botany. - 2014. -Vol. 94. - P. 182-189.

46. Delalieux S., van Aardt J., Keulemans W., Schrevens E., Coppin P. Detection of biotic stress (Venturia inaequalis) in apple trees using hyperspectral data: Non-parametric statistical approaches and physiological implications. // European Journal of Agronomy. - 2007. - Vol. 27. - P. 130-143.

47. Dmitriev P., Kozlovsky B., Dmitrieva A. Classification of invasive tree species based on the seasonal dynamics of the spectral characteristics of their leaves // Earth Science Informatics. - 2023. - V. 16. P. 3729-3743. https://doi.org/10.1007/s12145-023-01118-0;

48. Dmitriev P.A., Kozlovsky B.L., Kupriushkin D.P., Lysenko V.S., Rajput V.D., Ignatova M.A., Tarik E.P., Kapralova O.A., Tokhtar V.K., Singh A.K., Minkina T.M., Varduni T.V., Sharma M., Taloor A.K., Thapliyal A., Identification of species of the genus Acer L. using vegetation indices calculated from the hyperspectral images of leaves . // Remote Sensing Applications: Society and Environment. - 2022, 100679. https:.doi.org/10.1016/j.rsase.2021.100679.

49. Doraiswamy P.C., Akhmedov B., Beard L., Stern A., Mueller R. Operational prediction of crop yields using modis data and products. // Remote Sensing Support to Crop Yield Forecast and Area Estimates. - 2007. - P. 45-49.

50. Dorigo W.A., Zurita-Milla R., de Wit A.J.W. A review on reflective remote sensing and data assimilation techniques for enhanced agroecosystem modeling. // Journal of Applied Earth Observation and Geoinformation. - 2007. -Vol. 9. - P. 165-193.

51. Duncan J.M.A., Dash J., Atkinson P.M. The potential of satellite-observed crop phenology to enhance yield gap assessments in smallholder landscapes. // Frontiers of Environmental Science. - 2015. - Vol. 3. - P. 1-16. https:.doi.org/10.3389/fenvs.2015.00056.

52. Elarab M., Ticlavilca A.M., Torres-Rua A. F., Maslova I., McKee M. Estimating chlorophyll with thermal and broadband multispectral high resolution imagery from an unmanned aerial system using relevance vector machines for precision agriculture. // International Journal of Applied Earth Observation and Geoinformation. - 2015. - Vol. 43. - P. 32-42.

53. Elshikha D.M., Barnes E.M., Clarke T.R. Remote sensing of cotton nitrogen status using the Canopy Chlorophyll Content Index (CCCI). // Transactions of the ASABE. - 2008. - Vol. 51 (1). - P. 73-82.

54. Elvidge C. D., Chen Z. K. Comparison of broad-band and narrowband red and near-infrared vegetation indexes. // Remote Sensing of Environment. - 1995. - Vol. 51 (1). - P. 38 - 48.

55. Evans J.R. Photosynthesis and nitrogen relationships in leaves of C3 plants. // Oecologia. - 1989. - Vol. 78 (1). - P. 9-19.

56. Fahad S., Bajwa A.A., Nazir U., Anjum S.A., Farooq A., Zohaib A., Sadia S., Nasim W., Adkins S., Saud S. Crop Production under Drought and Heat Stress: Plant Responses and Management Options. // Frontiers in Plant Science. -2017. - Vol. 8, 1147.

57. Falcioni R., Chicati M.L., de Oliveira R.B., Antunes W.C., Hasanuzzaman M., Dematte J.A.M., Nanni M.R. Decreased Photosynthetic Efficiency in Nicotiana tabacum L. under Transient Heat Stress. // Plants. - 2024. -Vol. 13, 395. https://doi.org/10.3390/plants13030395

58. Fan L. Investigating the relationship between NDVI and LAI in semiarid grassland in Inner Mongolia using in-situmeasurement. // Theoretical and Applied Climatology. - 2009. - Vol. 95. - P. 151-158.

59. Fang H., Frederic B., Plummer S., Schaepman-Strub G. An overview of global Leaf Area Index (LAI): methods, products, validation, and applications. // Reviews of Geophysics. - 2019. - Vol. 57. - P. 739-799.

60. Fassnacht F., Stenzel S., Gitelson A. Non-destructive estimation of foliar carotenoid content of tree species using merged vegetation indices // Journal of Plant Physiology. - 2015. - V. 176. P. 210-217

61. Fassnacht F.E., Neumann C., Förster M., Buddenbaum H., Ghosh A., Clasen A., Joshi P.K., Koch B. Comparison of feature reduction algorithms for classifying tree species with hyperspectral data on threecentral European test sites. // Journal of Selected Topics in Applied Earth Observations and Remote Sensing. -2014. - Vol. 7. - P. 2547 - 2561.

62. Fassnacht, F.E.; Latifi, H.; Sterenczak, K.; Modzelewska, A.; Lefsky, M.; Waser, L.T.; Straub, C.; Ghosh, A.Review of studies on tree species classification from remotely sensed data. // Remote Sensing of Environment. -2016. - Vol. 186. - P. 64-87.

63. Fatima A., Farid M., Safdar K., Fayyaz A., Ali S.M., Adnan S., Nawaz M., Munir H., Raza N., Zubair M. Loss of Agro-Biodiversity and Productivity Due to Climate Change in Continent Asia: A Review. // In Plant Ecophysiology and Adaptation under Climate Change: Mechanisms and Perspectives. - 2020. - P. 51-71.

64. Fawcett D., Bennie J., Anderson K. Monitoring spring phenology of individual tree crowns using drone-acquired NDVI data // Remote Sensing in Ecology and Conservation. - 2020. - 7. https://doi.org/10.1002/rse2.184

65. Feng W., Zhang H.Y., Zhang Y.S. Remote detection of canopy leaf nitrogen concentration in winter wheat by using water resistance vegetation indices from in-situ hyperspectral data. // Field Crops Research. - 2016. - Vol. 198. - P. 238-246.

66. Ferencz C., Bognar P., Lichtenberger J., Hamar D., Tarcsai G., Timar, G., Molnar G., Pasztor S.Z., Steinbach P., Szekely B., Ferencz O.E., Ferencz-Arkos I. Crop yield estimation by satellite remote sensing. // Remote Sensing. -2004. - Vol. 25. - P. 4113-4149. https:.doi.org/10.1080/01431160410001698870.

67. Feret J.-B., Asner G. P., Fran?ois C., Martin R., Ustin S. L., Jacquemoud S. An advanced leaf optical properties model including phytosynthetic pigments // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. - 2007. - Vol.6. - N. 7/C50.

68. Filella I., Penuelas J. The red edge position and shape as indicators of plant chlorophyll content, biomass and hydric status. // International Journal of Remote Sensing. - 1994 - Vol. 15 (7). - P. 1459 - 1470.

69. Fiorani F., Schurr U. Future scenarios for plant phenotyping. // Annual Review of Plant Biology. - 2013. - Vol. 64. - P. 267-91.

70. Fischer R. A. Yield potential in dwarf spring wheat and the effect of shading. // Crop Science. - 1975. - Vol. 15. - P. 607-613.

71. Fisher J.I., Mustard J.F. Cross-scalar satellite phenology from ground, Landsat, and MODIS data. // Remote Sensing of Environment. - 2007. - Vol. 109. - P. 261-273.https://doi.org/10.1016/J.RSE.2007.01.004

72. Gamon J., Huemmrich K., Wong C., Ensminger I., Garrity S., Hollinger D., Noormets A., Penuelas J. A remotely sensed pigment index reveals photosynthetic phenology in evergreen conifers // Proceedings of the National Academy of Sciences. - 2016. - V. 113. P. 160-172. https://doi.org/10.1073/pnas.1606162113

73. Gamon J., Penuelas J. P., Field C.A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency. // Remote Sensing of Environment. - 1992. - Vol. 41(1). - P. 35 - 44.

74. Gamon J., Serrano L., Surfus J. The photochemical reflectance index: an optical indicator of photosynthetic radiation use efficiency across species, functional types, and nutrient levels. //Oecologia. - 1997. - V. 112. - P. 492-501. https://doi.org/10.1007/s004420050337.

75. Gandia S., Fernandez G., Garcia J., Moreno, J. Retrieval of vegetation biophysical variables from CHRIS/PROBA data in the SPARC campaign. // ESA SP. - 2004. - V. 578. - P. 40 - 48.

76. Garrity S. R., Eitel J. U., Vierling L. A.Disentangling the relationships between plant pigments and the photochemical reflectance index reveals a new approach for remote estimation of carotenoid content. // Remote Sensing of Environment. - 2011. - V. 115(2). - P. 628 - 635.

77. Genty B., Briantais J.M., Baker N.R. The relationship between the quantum yield of photosynthetic electron-transport and quenching of chlorophyll fluorescence // Biochimica et Biophysica Acta. - 1989. - V. 990. - P. 87-92.

78. Gholizadeh A., Saberioon M., Boruvka L., Wayayok A., Soom M.M. Leaf chlorophyll and nitrogen dynamics and their relationship to lowland rice yield for site-specific paddy management // Information Processing in Agriculture. -2017. - V. 4(4). - P. 259-268.https://doi.org/10.1016/j.inpa.2017.08.002.

79. Gitelson A. A., Kaufman Y. J., Merzlyak M. N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. // Remote Sensing of Environment. - 1996. - V. 58(3). - P. 289-298.

80. Gitelson A. A., Merzlyak M. N. Quantitative estimation of chlorophyll-a using reflectance spectra: experiments with autumn chestnut and maple leaves // Journal of Photochemistry and PhotobioliologyBiology. - 1994. -V. 22. - P. 247-252.

81. Gitelson A. A., Merzlyak M. N.Remote estimation of chlorophyll content in higher plant leaves. // International Journal of Remote Sensing. - 1997. - V. 18 (12).- P. 2691 - 2697.

82. Gitelson A., Buschmann C., Lichtenthaler H.The chlorophyll fluorescence ratio F735/F700 as an accurate measure of the chlorophyll content in plants - Experiments with autumn chestnut and maple leaves. // Remote Sensing of Environment. - 1999. - V. 69 (3).- P. 296 -302.

83. Gitelson A., Gritz Y., Merzlyak M. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for nondestructive chlorophyll assessment in higher plant leaves // Journal of Plant Physiology.-2003. - V. 1(160).- P. 271-282.

84. Gitelson A., Zur Y., Chivkunova O., Merzlyak M. Assessing carotenoid content in plant leaves with reflectance spectro-scopy // Photochemistry and Photobiology. - 2002. - V. 75.- P. 272-281.

85. Gitelson A.A, Gritz Y, Merzlyak M.N. 2003. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for nondestructive

chlorophyll assessment in higher plant leaves. // Journal of Plant Physiology. -2003. - V. 160. - P. 271-282.

86. Gitelson A.A., Buschmann C., Lichtenthaler H.K. Leaf chlorophyll fluorescence corrected for re-absorption by means of absorption and reflectance measurements // Journal of Plant Physiology. - 1998. - V. 152- P. 283-296.

87. Gitelson A.A., Merzlyak M.N. Signature analysis of leaf reflectance spectra: algorithm development for remote sensing of chlorophyll. // Journal of Plant Physiology. - 1996. - V. 148. - P. 494-500.

88. Gitelson A.A., Viña A., Verma S.B., Rundquist D.C., Arkebauer T.J., Keydan G., Leavitt B., Ciganda V., Burba G.G., Suyker A.E. Relationship between gross primary production and chlorophyll content in crops: Implications for the synoptic monitoring of vegetation productivity. // Journal of Geophysical Research. - 2006. - V. 111(8). DOI: 10.1029/2005JD006017.

89. Gitelson, A., Keydan, G., Merzlyak, M. Three-Band Model for Noninvasive Estimation of Chlorophyll Carotenoids and Anthocyanin Contents in Higher Plant Leaves // Geophysical Research Letters. - 2006. - V. 33.

90. Gower S.T.,Kucharik C.J., Norman J.M. Direct and indirect estimation of leaf area index, fPAR and net primary production of terrestrial ecosystems. // Remote Sensing of Environment. - 1999. - V. 70.- P. 29-51.

91. Gray S.B., Brady S.M. Plant developmental responses to climate Chang. // Journal of Developmental Biology. - 2016. - V. 419.- P. 64-77.

92. Gregory A., Carter G.A., Alan K. Knapp. Leaf optical properties in higher plants: linking spectral characterisyics to stress and chlorophyll concentration // American Journal of Botany. - 2001. - V. 88(4). - P. 677-684.

93. Guo Chun-ai, Liu Fang, Xu Xiao-ming. // Plant Physiology Communications. - 2006. - V. 42(5). - P. 967.

94. Guo Y.Y., Yu H.Y., Yang M.M., Kong D.S., Zhang Y.J. Effect of drought stress on lipid peroxidation, osmotic adjustment and antioxidant enzyme activity of leaves and roots of LyciumruthenicumMurr. Seedling // Journal of Plant Physiology. - 2018. - V. 65.- P. 244-250.

95. Guyot G., Baret F. (1988). Utilisation de la haute resolu-tionspectrale pour suivrel'etat des couvertsvegetaux. //Spectral Signatures of Objects in Remote Sensing. - 1988. - V. 287. - P. 279 - 286.

96. Haboudane D., Miller J. R., Tremblay N., Zarco-Tejada P. J., Dextraze L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. // Remote Sensing of Environment. - 2002. - V. 81(2-3).- P. S0034 - 4257(02)00018-4.

97. Haboudane D., Tremblay N., Miller J. R. and Vigneault P. Remote Estimation of Crop Chlorophyll Content Using Spectral Indices Derived From Hyperspectral Data. // Transactions on Geoscience and Remote Sensing. - 2008. -V. 46. - P. 423-437.doi: 10.1109/TGRS.2007.904836.

98. Han J., Zhang Z., Cao J., Luo Y., Zhang L., Li Z., Zhang J. Prediction of winter wheat yield based on multi-source data and machine learning in China // Remote Sensing. - 2020. - V. 12.-P. 236.

99. He L., Chen J.M., CroftH.Nitrogen availability dampens the positive impacts of CO2 fertilization on terrestrial ecosystem carbon and water cycles. // Geophysical Research Letters.- 2017. - V. 44(22).- P. 29-51.

100. Hernández-Clemente R., Hornero A., Mottus M., Penuelas J., González-Dugo V., Jiménez J.C., Suárez L., Alonso L., Zarco-Tejada P.J. Early diagnosis of vegetation health from high-resolution hyperspectral andthermal imagery: Lessons learned from empirical relationships and radiative transfer modelling // Current Forestry Reports. - 2019. - V. 5.- P. 169-183.

101. Hernández-Clemente R., Navarro-Cerrillo R. Carotenoid content estimation in a heterogeneous conifer forest using narrow-band indices and PROSPECT+ DART simulations.//Remote Sensing of Environment. - 2012. - V. 127.- P. 298-315.

102. Hernandez-Clemente R., Navarro-Cerrillo R. M., Suarez L., Morales F., Zarco-Tejada P. J. Assessing structural effects on PRI for stress detection in conifer forests. // Remote Sensing of Environment. - 2011. - V. 115.- P. 2360 -2375.

103. Huete A. 1988. A soil-adjusted vegetation index (SAVI). // Remote Sensing ofEnvironment. - 1988. - V. 25.- P. 295-309.

104. Huete, A., Liu, H., Batchily, K., van Leeuwen, W., 1997. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. // RemoteSensing ofEnvironment. - 1997. - V. 59(3).- P. 440 - 451.

105. Huichun Ye, WenjiangHuang,Shanyu Huang, Bei Cui,Yingying Dong, Anting Guo, Yu Ren,YuJin, 2020. Recognition of Banana Fusarium Wilt Based on UAV Remote Sensing. // Remote Sensing. - 2020. - V. 12(938).

106. Hunt E. R., Doraiswamy P. C., McMurtrey J. E., Daughtry C. S. T., Perry E. M., Akhmedov B.A visible band index for remote sensing leaf chlorophyll content at the canopy scale. // International Journal of Applied Earth Observation and Geoinformation.- 2013. - V. 21.- P. 103 - 112.

107. Hunt E.R., Daughtry C.S., Eitel J.U.H., Long D.S. Remote sensing leaf chlorophyll content using a visible band index. // Agronomy Journal.- 2011. -V. 103(4):1090-9.

108. Hycza T., Sterenczak K.,Balazy R. Potential use of hyperspectral data to classify forest tree species. // New Zealand Journal of Forestry Science- 2018. -V. 48 (18).

109. Jay S., Gorretta N., Morel J.Estimating leaf chlorophyll content in sugar beet canopies using millimeter-to centimeter-scale reflectance imagery. //Remote Sensing of Environment.- 2017. - V. 198.- P. 173-186.

110. Jespersen D., Zhang J., Huang B. Chlorophyll loss associated with heat-induced senescence in bentgrass // Plant Science. - 2016. - V. 249.- P. 1-12.

111. Ji W., Luo H., Song Y., Hong E., Li Z., Lin B., Fan C., Wang H., Song X.,Jin S. Changes in Photosynthetic Characteristics of Paeonia suffruticosaunder High Temperature Stress. // Agronomy. - 2022. - V. 12.- P. 1203 -1212. https://doi.org/10.3390/agronomy12051203

112. Ji-Jhong C., Shuyang Z., Youping S. Estimating Leaf Chlorophyll Content of Buffaloberry Using Normalized Difference Vegetation Index Sensors //

Hort Technology. - 2021. - V. 32. P. 1-7. https://doi.org/10.21273/H0RTTECH04808-21

113. Jin X., Kumar L., Li Z.A review of data assimilation of remote sensing and crop models. // European Journal of Agronomy. - 2018. - V. 92.- P. 141-152.

114. Jordan C. F. Derivation of leaf-area index from quality of light on forest floor. // Ecology. - 1969. - V. 50 (4).- P. 663-666.

115. Kancheva R., Borisova D. Vegetation stress indicators derived from multispectral and multitemporal data // Space Technology. - 2007. - V. 26 (3). - P. 1 - 8.

116. Kancheva R., Georgiev G., Boycheva V., Ilieva V., Popova T. Spectral reflectance features of soil-vegetation system for crop heavy metal stress indication // Soils Science, Agrochemistry and Ecology. - 1996. - V. 3. - P. 96 -99.

117. Karnjanawipagul P., Nittayanuntawech W., Rojsanga P., Suntornsuk L. Analysis of P-carotene in carrot by spectrophotometry // Mahidol University Journal of harmaceuti-cal science. - 2010. - V. 37 (1-2). - P. 8 - 16.

118. Kattenborn T., Hernández J., Lopatin J., Kattenborn G., Fassnacht F. E. Pilot study on the retrieval of dbh and diameter distribution of deciduous forest stands using cast shadows in uav-based orthomosaics // Remote Sensing and Spatial Information Sciences. - 2018. - V. 6 (1). - P. 93 - 99.

119. Kattenborn T., Schiefer F., Zarco-Tejada P., Schmidtlein S. Advantages of retrieving pigment content [^g/cm2] versus concentration [%] from canopy reflectance. // Remote Sensing of Environment. - 2019. - V. 230. - P. 111

- 195.

120. Kaur G.,Asthir B. Molecular responses to drought stress in plants. // Plant Biology. - 2017. - Vol. 61. - P. 201 - 209.

121. Kiang N.Y., Siefert J., Govindjee R.E. Meadows V.S. Spectral signatures of photosynthesis I: Review of Earth organisms // Astrobiology. - 2007.

- V. 7. - P. 222 - 251.

122. Kim M., Daughtry C., Chappelle E., McMurtrey J., Walthall C. 1994. The use of high spectral resolution bands for estimating absorbed photosynthetically active radiation (Apar). In: Proceedings of the Sixth Symposium on Physical Measurements and Signatures in Remote Sensing. Val D'Isere, France. - 1994. - P. 299-306.

123. Konapala G., Mishra A.K., Wada Y., Mann M.E. Climate change will affect global water availability through compounding changes in seasonal precipitation and evaporation. // Nature Communications. -2020.- V. 11.-P. 1- 10.

124. Kooistra L., Clevers J. Estimating potato leaf chlorophyll content using ratio vegetation indices // Remote Sensing Letters. - 2016. - Vol. 7(6). P. 611-620. https://doi.org/10.1080/2150704X.2016.1171925

125. Kopackova-Strnadova V.,Koucka L.,Jelenek J.,Lhotakova Z., Oulehle F. Canopy Top, Height and Photosynthetic Pigment Estimation Using Parrot Sequoia Multispectral Imagery and the Unmanned Aerial Vehicle (UAV). // Remote Sensing. - 2021. - V. 13 (4): 705. https://doi.org/10.3390/rs13040705

126. Kozlovskiy B.L., Kuropyatnikov M.V., Fedorinova O.I., Sereda M.M., Kapralova O.A., Dmitriev P.A., Varduni T.V. Adventive tree species in urban flora of Rostov-on-Don. // Biological bulletin of Bogdan ChmelnitskiyMelitopol state pedagogical university. - 2016. - V. 6. - P. 430 -437.

127. Kumar M.,Kesawat M.S., Ali A., Lee S.C., Gill S.S., Kim H.U. Integration of abscisic acid signaling with other signaling pathways in plant stress responses and development. // Plants. - 2019. - V. 8: 592.

128. le Maire G., Francois C., Dufrene E. 2004. Towards universal broad leaf chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance measurements. // Remote Sensing of Environment. - 2004. - Vol. 89(1). - P. 1 - 28.

129. Lehnert L.W., Meyer H., Obermeier W.A., Silva B., Regeling B., Thies B., Bendix J. (2019). "Hyperspectral Data Analysis in R: The hsdar Package. // Journal of Statistical Software. - 2019. - V. 89 (12). - P. 1 - 23.

130. Leufen G.,Noga G.,Hunsche M. Physiological response of sugar beet (Beta vulgaris) genotypes to a temporary water deficit, as evaluated with a multiparameter fluorescence sensor. // Acta Physiologiae Plantarum. - 2013. - V. 35. - P. 1763-1774.

131. Lev-Yadun S., Gould K.S. Role of anthocyanins in plant defence. // Anthocyanins. - 2008. - P. 22 - 28.

132. Lichtenthaler H. K., Chlorophylls and carotenoids: pigments of photosynthetic membranes. // Method Enzymol. - 1987. - P. 350 - 382.

133. Lichtenthaler H.K.,Babani F. Light Adaptation and Senescence of the Photosynthetic Apparatus. Changes in Pigment Composition, Chlorophyll Fluorescence Parameters and Photosynthetic Activity. // Chlorophyll a Fluorescence: A Signature of Photosynthesis. - 2004. - V. 19. - P. 713-736.

134. Lichtenthaler H.K., Buschmann C. Chlorophylls and carotenoids: measurement and characterization by UV-VIS spectroscopy // Current Protocols in Food Analytical Chemistry. - 2001. - P. 431-438.

135. Lichtenthaler H.K., Wellburn. A.R. Determinations of total carotenoids and chlorophylls a and b of leaf extracts in different solvents. // Biochemical Society Transactions. - 1983. - V. 11. - P. 591-592.

136. Lin J., Yan F., Tang L., Chen F. Antitumor effects of curcin from seeds of Jatropha curcas // Acta PharmacologicaSinica. - 2003. - V. 24 (3). - P. 241-246.

137. Lobell D. B., Schlenker W., Costa-Roberts J. Climate trends and global crop production since 1980. // Science. - 2011. - V. 333. - P. 616- 620.

138. Lopatin J. Estimation of Foliar Carotenoid Content Using Spectroscopy Wavelet-Based Vegetation Indices // Geoscience and Remote Sensing Letters. - 2023. - V. 20 P. 1-5. https://doi.org/10.1109/LGRS.2023.3237010

139. Lu S., Lu F., You W. A robust vegetation index for remotely assessing chlorophyll content of dorsiventral leaves across several species in different

seasons // Plant Methods. - 2018. - V. 14 (15)https://doi.org/10.1186/s13007-018-0281-z

140. Ma S., Baldocchi D.D., Mambelli S., Dawson T.E. Are temporal variations of leaf traits responsible for seasonal and inter-annual variability in ecosystem CO2 exchange // Functional Ecology. - 2011. - V. 25. - P. 258-270.

141. Maccioni A, Agati G, Mazzinghi P. 2001. New vegetation indices for remote measurement of chlorophylls based on leaf directional reflectance spectra. // Journal of Photochemistry and Photobiology B: Biology. - 2001. - V. 61. - P. 52-61.

142. McMurtrey J. E., Chappelle E. W., Kim M. S., Meisinger J. J., Corp L. A., 1994. Distinguishing nitrogen-fertilization levels in-field corn (Zea mays L) with actively induced fluorescence and passive reflectance measurements.// Remote Sensing of Environment. - 1994. - V. 47 (1). - P. 36 - 44.

143. Merzlyak M. N., Gitelson A. A., Chivkunova O. B., &Rakitin V. Y. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening // Physiologia Plantarum. - 1999. - V. 106. - P. 135 - 141.

144. Miraglio T., Adeline K, Huesca M., Ustin S., Briottet X. Monitoring LAI, Chlorophylls, and Carotenoids Content of a Woodland Savanna Using Hyperspectral Imagery and 3D Radiative Transfer Modeling. // Remote Sensing.-2020. - V. 12 (28).

145. Miyoshi G.T., Arruda M.d.S., Osco L.P., Junior J.M., Goncalves D.N., Imai N.N., Tommaselli A.M.G., Honkavaara E., Gonfalves W.N. A novel deep learning method to identify single tree species in UAV-based hyperspectral images// Remote Sensing. - 2020. - V. 12. - P. 1294.

146. Mondal S.,Karmakar S., PandaD.,Pramanik K., Bose B., Singhal R.K. Crucial Plant Processes under Heat Stress and Tolerance through Heat Shock Proteins. // Plant Stress. - 2023. - V. 10. - P. 100227.

147. Narmilan A., Gonzalez F.,Salgadoe A.S.A.,Kumarasiri U.W.L.M., Weerasinghe H.A.S.,Kulasekara B.R. Predicting Canopy Chlorophyll Content in Sugarcane Crops Using Machine Learning Algorithms and Spectral Vegetation

Indices Derived from UAV Multispectral Imagery. // Remote Sensing. - 2022. -V. 14. - P. 1140. https://doi.org/ 10.3390/rs14051140

148. Nelson N., Yocum C. Structure and function of photosystems I and II Annu //Plant Biology. - 2006. - V. 57. - P. 521-565.

149. Noctor G., Veljovic-Jovanovic S., Driscoll S., Novitskaya L., Foyer C.H. Drought and oxidative load in the leaves of C3 plants: A predominant role for photorespiration // Botany. - 2002. - V. 89. - P. 841-850.

150. Oliveira T., Carvalho L., Oliveira L.,Lacerda W.,Acerbi F. NDVI Time Series for Mapping Phonological Variability of Forests Across the Cerrado Biome in Minas Gerais, Brazil. // Phenology and Climate Change. - 2012. - V. 12. - P. 253-272.

151. OppeltN., Mauser W. Hyperspectral monitoring of physiological parametersof wheat during a vegetation period using AVIS data. // International Journal of RemoteSensing. - 2004. - V. 25 (1). - P. 145-159.

152. Ortiz N., Armada E., Duque E.,Roldan A.,Azcon R. Contribution of arbuscular mycorrhizal fungi and/or bacteria to enhancing plant drought tolerance under natural soil conditions: Effectiveness of autochthonous or allochthonous strains. // Journal of Plant Physiology. - 2015. - V. 174. - P. 87-96.

153. Ortiz S.M., Breidenbach J., Knuth R., Kândler G.The influence of DEM quality on mapping accuracy of coniferous- and deciduous-dominated forest using TerraSAR-X images. // RemoteSensing. - 2012. - V. 4. - P. 661-681.

154. Osakabe Y.,Osakabe K., Shinozaki K., Tran L.S.P. Response of plants to water stress. // Frontiers in Plant Science. - 2014. - V. 5. - P. 86.

155. Paruelo J.M.,Oesterheld M., Di Bella C.,Arzadum M.Lafountaine, J.,Cahuepe M.,Rebella C.M. Estimation of primary production of subhumid rangelands from remote sensing data. // Applied Vegetation Science. - 2000. - V.

3. - P. 189-195.

156. Penuelas J., Filella I.Visible and near-infrared reflectance techniques for diagnosing plant physiological status. // Trends in Plant Science. - 1998. - V.

4. - P. 151-156.

157. Penuelas J., Gamon J. A., Fredeen A. L., Merino J., Field C. B.Reflectance indexes associated with physiological-changes in nitrogen-limited and water-limited sun ower leaves. // Remote Sensing of Environment. - 1994. -V. 48 (2). - P. 135-146.

158. Petibon F., Wiesenberg G.L.B. Characterization of complex photosynthetic pigment profiles in European deciduous tree leaves by sequential extraction and reversed-phase high-performance liquid chromatography // Frontiers in Plant Science.- 2022. - V. 13 - P. 3576. https://doi.org/10.3389/fpls.2022.957606

159. Pinty B., Lavergne T., Widlowski J., Gobron N., Verstraete M. On the need to observe vegetation canopies in the near-infrared to estimate visible light absorption // Remote Sensing of Environment. - 2009. - V. 113. - P.10 - 23.

160. Pinzon J.E., Tucker C.J. A non-stationary 1981-2012 AVHRR NDVI3g time series. // Remote Sensing. - 2014. - V. 6 (8). - P. 6929 - 6960.

161. Porra R. J., Thompson W. A. and Kreidemann P. E., Determination of accurate extinction coefficients and simultaneous equations for assaying chlorophylls a and b extracted with four different solvents: verification of the concentration of chlorophyll standards by atomic absorption spectrometry. // Biochimica et Biophysica Acta. - 1989. - V. 975. - P. 384 - 394.

162. PorterJ. R. Rising temperatures are likely to reduce crop yields. // Nature. - 2005. - V. 436. - P. 174. doi: 10.1038/436174b

163. Prakash V., Singh V.P., Tripathi D.K., Sharma S., Corpas F.J. Crosstalk between nitric oxide (NO) and abscisic acid (ABA) signalling molecules in higher plants. // Environmental and Experimental Botany. - 2019. - V. 161. - P. 41 - 49.

164. Qi J., Chehbouni A., Huete A., Kerr Y., Sorooshian S. A modified soil adjusted vegetation index. // Remote Sensing of Environment. - 1994. - V. 48 (2). - P. 119 - 126.

165. Qiao L., Gao D., Zhang J., Li M., Sun H., Ma J. Dynamic Influence Elimination and Chlorophyll Content Diagnosis of Maize Using UAV Spectral Imagery. // Remote Sensing. - 2020. - V. 12. - P. 2650.

166. R Core Team (2021). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.

167. Razali N., Wah Y. Power Comparisons of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors and Anderson-Darling tests. // Journal of Statistical Modeling and Analytics. - 2011. - V. 2. - P. 21 - 33.

168. Richardson A.D., Duigan S.P., Berlyn G.P. An evaluation of noninvasive methods to estimate foliar chlorophyll content. // New Phytologist. -2002. - V. 153. - P. 185 - 194.

169. Richardson D. M., Pysek P., Rejmanek M., Barbour M. G., Panetta D., West C. J. Naturalization and invasion of alien plants: concepts and definitions // Diversity and Distributions. - 2000. - V. 6 (2). - P. 93 - 107.

170. Rondeaux G., StevenM., Baret F. Optimization of soil-adjusted vegetation indices. // Remote Sensing of Environment. - 1996. - V. 55 (2). - P. 95 - 107.

171. Rosso L., Cantamessa S.,Bergante S.,Biselli C., Fricano A.,Chiarabaglio P.M., Gennaro M.,Nervo G., Secchi F.,Carra A. Responses to Drought Stress in Poplar: What Do We Know and What Can We Learn? // Life. -2023. - V. 13. - P. 533 - 542.

172. Roujea J. L., Breon F. M. 1995. Estimating par absorbed by vegetation from bidirectional reflectance measurements. // Remote Sensing of Environment. - 1995. - V. 51(3). - P. 375 - 384.

173. Sage R.F., Kubien D.S. The temperature response of C3 and C4 photosynthesis. // Plant, Cell & Environment. - 2007. - V. 30. - P. 1086 - 1106.

174. Savitzky A., Golay M. J. Smoothing and differentiation of data by simplified least squares procedures // Analytical Chemistry. - 1964. - V. 36. - P. 1627 - 1639.

175. Seleiman M.F., Al-Suhaibani N., Ali N., Akmal M., Alotaibi M.,Refay Y.,Dindaroglu T., Abdul-Wajid H.H., Battaglia M.L. Drought Stress Impacts on Plants and Different Approaches to Alleviate Its Adverse Effects. // Plants. - 2021. - V. 10(259). https://doi.org/10.3390/plants10020259

176. Sen A., Srivastava M. S. Regression Analysis: Theory, Methods, and Applications. // Springer-Verlag New York. - 1990. - P. 347.

177. Shan L., Xingtong L., Wenli Z., Yu L., Wang Z., Omasa K. Comparing vegetation indices for remote chlorophyll measurement of white poplar and Chinese elm leaves with different adaxial and abaxial surfaces. // Journal of Experimental Botany. - 2015. - V. 66 (18). - P. 5625 - 5637. doi: 10.1093/jxb/erv270

178. Sherwin H.W., Farrant J.M. Differences in Rehydration of Three Desiccation-tolerant Angiosperm Species. // Annals of Botany. - 1996. - V. 78. -P. 703 - 710.

179. Shipley B., Lechowicz M.J., Wright I., Reich P.B. Fundamental tradeoffs generating the worldwide leaf economics spectrum // Ecology. - 2006. - V. 87. - P. 535 - 541.

180. Silleos N., Alexandridis T., Gitas I.,Perakis K. Vegetation indices: Advances made in biomass estimation and vegetation monitoring in the last 30 years // Geocarto International. - 2006. - V. 21(4). - P. 21-28.

181. Sims D.A., Gamon J.A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. // Remote Sensing of Environment. - 2002. - V. 81. - P. 337 - 354.

182. Smertenko A., Draber P., Viklicky V., OpatrnyZ. Heat stress affects the organization of microtubules and cell division in Nicotiana tabacum cells. // Plant, Cell & Environment. - 1997. - V. 20. - P. 1534 - 1542.doi: 10.1046/j.1365-3040.1997.d01-44.x

183. Smith R., Adams J., Stephens D., Hick P. Forecasting wheat yield in a mediterranean-type environment from the NOAA satellite. // Australian Journal of Agricultural Research. - 1995. - V. 46(1). - P. 113 - 125.

184. Sudu B., Rong G.,Guga S., Li K.,Zhi F., Guo Y., Zhang J., Bao Y. Retrieving SPAD Values of Summer Maize Using UAV Hyperspectral Data Based on Multiple Machine Learning Algorithm. // Remote Sensing. - 2022. - V. 14 (5407).

185. Taifeng D., Ji-hua M., Jiali S., Jiangui L., Bingfang W. Evaluation of Chlorophyll-Related Vegetation Indices Using Simulated Sentinel-2 Data for Estimation of Crop Fraction of Absorbed Photosynthetically Active Radiation // Journal of Selected Topics in Applied Earth Observations and Remote Sensing. -2015. - V. 8. - P. 4049 - 4059. https:// doi.org/10.1109/JSTARS.2015.2400134

186. Tian Q., Zhang H., Bian L., Zhou L., Ge Y. Three-Dimensional Quantification and Visualization of Leaf Chlorophyll Content in Poplar Saplings under Drought Using SFM-MVS. // Forests. - 2024. - V. 15(20). - P. 113 - 125. 2024, 15, 20.

187. Tian X., He S.L., Lu Q., Yi S.L., Xie R.J., Zheng Y.Q., Liao Q.H., DengL. Determination of photosynthetic pigments in citrus leaves basedon hyperspectral images datas. // Spectroscopy and Spectral Analysis. - 2014. - V. 34(9). - P. 2506 - 2512.

188. Tong A., He Y. Estimating and mapping chlorophyll content for a heterogeneous grassland: Comparing prediction power of a suite of vegetation indices across scales between years // Journal of Photogrammetry and Remote Sensing. - 2017. - V. 126. - P. 146 - 167.

189. Tucker C. J. Red and photographic infrared linear combinations for monitoring vegetation. // Remote Sensing of Environment. - 1979. - V. 8(2). - P. 127 - 150.

190. Tucker C.J. Remote sensing of leaf water content in the near infrared. // Remote Sensing of Environment. - 1980. - V. 10. - P. 23 - 32.

191. Vincini M., Frazzi E. Empirical Estimation of Leaf Chlorophyll Density in Winter Wheat Canopies Using Sentinel-2 Spectral Resolution // Transactions on Geoscience and Remote Sensing. - 2014. - V. 52 (6). - P. 32203235. https://doi.org/10.1109/TGRS.2013.2271813.

192. Vincini M., Frazzi E., D'Alessio P. Angular dependence of maize and sugar beet VIs from directional CHRIS/PROBA data. // Fourth ESA CHRIS PROBA Workshop. - 2006. -P. 19 - 21.

193. Vogelmann J. E., Rock B. N., Moss D. M. Red edge spectral measurements from sugar mapleleaves. // International Journal of Remote Sensing. - 1993. - V. 14. - P. 1563-1575.

194. Vonwettstein D. Chlorophyll-letale und der submikroskopischeFormwechsel der Plastiden // Experimental Cell Research. -1957. - V. 12 (3). - P. 427 - 506. . https://doi.org/10.1016/0014-4827(57)90165-9

195. Wahid A., Gelani S., Ashraf M., Foolad M. R. Heat tolerance in plants: an overview. // Environmental and Experimental Botany. - 2007. - V. 61. -P. 199 - 223. doi: 10.1016/j.envexpbot.2007.05.011

196. Wang H., Shi R., Liu P.D., Gao W. The study of vegetation indices for the monitoring of differences in chlorophyll and carotenoid composition in green vegetables // The International Society for Optical Engineering. - 2016. - V. 36(7). - P. 2189-2194. https://doi.org/10.3964/j.issn.1000-0593(2016)07-2189-06

197. Wang L., Tian Y., Yao X., Zhu Y., Cao W. Predicting grain yield and protein content in wheat by fusing multi-sensor and multi-temporal remote-sensing images // Field Crops Research. - 2014. - V. 164. - P. 178-188.

198. Wang Q., Tang Y., Ge Y., Xie H., Tong X., Atkinson P. M. A comprehensive review of spatial-temporal-spectral information reconstruction techniques // Science of Remote Sensing. - 2023. - V. 8. - P. 100-102. https://doi.org/10.1016Zj.srs.2023.100102

199. Wang T., Luo S.Q., Ma Y.L., Li L.Y.,Xie Y.F., Zhang W.X. Chlorophyll a Fluorescence Transient and 2-Dimensional Electrophoresis Analyses

Reveal Response Characteristics of Photosynthesis to Heat Stress in Malus. // Plants. - 2020. - V. 9. (1040).

200. Wilhite D.A. Drought Assessment, Management, and Planning: Theory and Case Studies. - 1993. -P. 178-188.

201. Wood C. W., Reeves D. W., Himelrick D. G. Relationships between chlorophyll meter readings and leaf chlorophyll concentration, N status, and crop yield: A review. // Biotechnology, Agronomy, Society and Environment. - 1993. -V. 23. - P. 1 - 9.

202. Wright S.W., Jeffrey S.W., Mantoura F.R.C. Evaluation of methods and solvents for pigment analysis. // Phytoplankton pigments in oceanography: guidelines to modern methods. - 1997. - P. 261 - 282.

203. Wu C., Niu Z., Tang Q., Huang W. 2008. Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation. // Agriculturaland Forest Meteorology. - 2008. - V. 148(8-9). - P. 1230 - 1241.

204. Xu L., Baldocchi D.D. Seasonal trends in photosynthetic parameters and stomatal conductance of blue oak (Quercus douglasii) under prolonged summer drought and high temperature // Tree Physiology. - 2003. - V. 23. - P. 865 - 877.

205. Xue J., B. Su. Significant Remote Sensing Vegetation Indices: A Review of Developments and Applications // Journal of Sensors. - 2017. - P. 1 -17. 10.1155/2017/1353691.

206. Yamasaki H. A function of colour. // Trends in Plant Science. - 1997. - V. 2. - P. 7 - 8.

207. Yang Q., Shi L., Han J., Zha Y., Zhu P. Deep convolutional neural networks for rice grain yield estimation at the ripening stage using UAV-based remotely sensed images // Field Crops Research. - 2019. - V. 235. - P. 142 - 153.

208. YoderB. J., Pettigrew-CrosbyR. E.Predicting nitrogen and chlorophyll content and concentrations from reflectance spectra (400-2500 nm) at leaf and canopy scales. // Remote Sensing of Environment. - 1995. - V. 53(3). - P. 199 -211.

209. Yuan S., Song G., Huang G., Wang Q. Reshaping Hyperspectral Data into a Two-Dimensional Image for a CNN Model to Classify Plant Species from Reflectance // Remote Sensing. - 2022. - V. 14. - N. 3972. https://doi.org/10.3390/rs14163972

210. Yue J., Feng H., Tian Q. A robust spectral angle index for remotely assessing soybean canopy chlorophyll content in different growing stages. // Plant Methods. - 2020. - V. 16. - N. 104. https://doi.org/10.1186/s13007-020-00643

211. Zandalinas S.I.,Fritschi F.B.,MittlerR. Signal transduction networks during stress combination. // Journal of Experimental Botany. - 2020. - V. 71. - P. 1734 - 1741.

212. Zarco-Tejada P. J., Gonzalez-Dugo V., Williams L. E., Suarez L., Berni J. A. J., Goldhamer D., Fereres E. A PRI-based water stress index combining structural and chlorophyll effects: Assessment using diurnal narrow-band airborne imagery and the CWSI thermal index. // Remote Sensing of Environment. - 2013. - V. 138. - P. 38-50.

213. Zarco-Tejada P. J., Miller J. R. Land cover mapping at BOREAS using red edge spectral parameters from CASI imagery. // Journal of Geophysical Research-atmospheres. - 1999. - V. 104(22). - P.27921-27933.

214. Zarco-Tejada P. J., Pushnik J. C., Dobrowski S., Ustin S. L.Steadystate chlorophyll a fluorescence detection from canopy derivative reflectance and double-peak red-edge effects. // Remote Sensing of Environment. -2003. - V. 84(2). - P. 283-294.

215. Zarco-Tejada P.J., Berjón A., Morales A., Miller J.R., Agüera J., Cachorro V. Assessing vineyard condition with hyperspectral indices: Leaf and canopy reflectance simulation in a row-structured discontinuous canopy. // Remote Sensing of Environment. - 2003. - P.271-1287.

216. Zarco-Tejada P.J., Camino C., Beck P.S.A., Calderon R., Hornero A., Hernández-Clemente R., Gonzalez- Dugo V. Previsual symptoms of Xylella fastidiosa infection revealed in spectral plant-trait alterations. // Nature Plants. -2018. - V. 4. - P.432-439.

217. Zarco-Tejada P.J., Miller J.R., Harron J., Hu B., Noland T.L., Goel N., et al. Needle chlorophyll content estimation through model inversion using hyperspectral data from boreal conifer forest canopies // Remote Sensing of Environment. - 2004. - V. 89. - P.189-199.

218. Zarco-Tejada P.J., Miller J.R., Mohammed G.H., Noland T.L., Sampson P.H. Vegetation stress detection through chlorophyll a + b estimation and fluorescence effects on hyperspectral imagery. // Journal of Environmental Quality. - 2002. - V. 31. - P. 1433-1441.

219. Zarco-Tejada P.J., Miller J.R., Noland T.L., Mohammed G.H., Sampson P.H. 2001. Scaling-up and model inversion methods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data. // Transactions on Geoscience and Remote Sensing. - 2001. -V. 39. - P.1491-1507.

220. Zeng L., Peng G., Meng R., Man J., Li W., Xu B., Lv Z., Sun R. Wheat Yield Prediction Based on Unmanned Aerial Vehicles-Collected Red-Green-Blue Imagery. // Remote Sensing. - 2021. - V. 13. - N. 2937.

221. Zhang H., Ge Y., Xie X. High throughput analysis of leaf chlorophyll content in sorghum using RGB, hyperspectral, and fluorescence imaging and sensor fusion. // Plant Methods.- 2022. - V. 18. https://doi.org/10.1186/s13007-022-00892-0

222. Zhang J., Zhang D., Cai Z., Wang L., Wang J., Sun L., Fan X., Shen Sh., Zhao J. Spectral technology and multispectral imaging for estimating the photosynthetic pigments and SPAD of the Chinese cabbage based on machine learning. // Computers and Electronics in Agriculture. - 2022. - V. 195. - N. 106814. https://doi.org/10.1016/jxompag.2022.106814

223. Zhang R., Sharkey T.D.Photosynthetic electron transport and proton flux under moderate heat stress. // Photosynthesis Research. - 2009. - V. 100. - P. 29-43. doi: 10.1007/s11120-009-9420-8

224. Zhang Y., Chen J., Thomas C. Retrieving seasonal variation in chlorophyll content of overstory and undestory sugar maple leaves from leaf level

hyperspectral data // Canadian Journal of Remote Sensing. - 2007. - V. 33(5). - P. 406-415.

225. Zhao Y.R., Li X., Yu K.Q. Hyperspectral Imaging for Determining Pigment Contents in Cucumber Leaves in Response to Angular Leaf Spot Disease. // Scientific Reports. - 2016. - V. 6. - N.27790.https://doi.org/10.1038/srep27790

226. Zheng Q., Huang W., Cui X., Shi Y., Liu L. New spectral index for detecting wheat yellow rust using Sentinel-2 multispectral imagery. // Sensors. -2018. - V. 18. - N.868.

227. Zhou X., Zheng H.B., Xu X.Q., He J.Y., Ge X.K., Yao X., Cheng T., Zhu Y., Cao W.X., Tian Y.C. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery // Journal of Photogrammetry and Remote Sensing. - 2017. - V. 130. - P. 246-255.

228. Zhu J.K. Abiotic Stress Signaling and Responses in Plants. // Cell. -2016. - V. 67. - P. 313-324.

229. Zhu X., Yang Q., Chen X., Ding Z. An Approach for Joint Estimation of Grassland Leaf Area Index and Leaf Chlorophyll Content from UAV Hyperspectral Data. //Remote Sensing. - 2023. - V. 15. - N. 2525. https:// doi.org/10.3390/rs15102525

230. Абдуррахманова И. Г. Новый метод определения общего содержания хлорофилла в кроне растений. // Теоретическая и прикладная экология. - 2016. - № 2. - С. 20 - 24.

231. Агроклиматические ресурсы Ростовской области. Л.: Гидрометиоиздат. 1972. - 251 с.

232. Арчаков Д. И., Турчин Т. Я. Анализ методов картографирования растительного покрова Казанско-Вешенского песчаного массива / Д. И. Арчаков, Т. Я. Турчин // Геоэкология. Инженерная геология, гидрогеология, геокриология. - 2023. - № 3. - С. 88-97. - DOI 10.31857/S0869780923030025.

233. Ассортимент древесных растений для зеленого строительства в Ростовской области. Ростов-на-Дону: Южный федеральный университет, 2009. - 416 с. - ISBN 978-5-9275-0674-3.

234. Белов М. Л. Лазерная флуоресцентная диагностика состояния растений. М.:Изд-во МГТУ. 2016. - 68 с.

235. Белова Т. А. Изменение содержания хлорофиллов и каротиноидов в листьях древесных растений средней полосы России / Т. А. Белова, Л. А. Бабкина // Auditorium. - 2017. - № 2(14). - С. 34- 38.

236. Бессчетнов В. П. Содержание хлорофилла в хвое представителей рода ель (Picea l.) в условиях интродукции в Нижегородскую область. // Труды факультета лесного хозяйства Нижегородской государственной сельскохозяйственной академии: сборник научных статей: Сборник научных статей, Нижний Новгород, 20-24 мая 2011 года / Нижегородская государственная сельскохозяйственная академия. - Нижний Новгород: Нижегородская государственная сельскохозяйственная академия, 2011. - С. 49-56.

237. Богданов П.Л. Дендрология// Лесная промышленность. - 1974. -240 с.

238. Бухарина И. Л. ,Поварницина Т. М. , Ведерников К. Е. Эколого-биологические особенности древесных растений в урбанизированной среде. Ижевск: ФГОУ ВПО Ижевская ГСХА. - 2007. - 216 с.

239. Веселовский, В.А. Люминесценция растений: Теоретические и практические аспекты / В.А. Веселовский, Т.В. Веселова. - М.: Наука, 1990. -200 с.

240. Виноградова Ю. К. Формирование вторичного ареала и изменчивость инвазионных популяций клена ясенелистного (Acer negundo L.) // Бюл. Гл. бот. сада. - 2006. Вып. 190. С. 25-47.

241. Волкова Л.В., Шешегова Т.К. Урожайность и содержание фотосинтетических пигментов в листьях яровой пшеницы при поражении септориозом. - Вестник НГАУ (Новосибирский государственный аграрный университет). - 2019. - № 3. - С. 17 - 25.

242. Воскресенская О. Л. Влияние ультрафиолетовой радиации и параметров микроклимата на содержание пигментов в листьях березы

повислой, произрастающей в условиях города / О. Л. Воскресенская, В. С. Воскресенский, Е. В. Сарбаева, О. А. Ягдарова // Вестник Удмуртского университета. Биология. Науки о земле. - 2014. - № 3. - С. 39-45.

243. Гаевский Н.А. Использование переменной и замедленной флуоресценции хлорофилла для изучения фотосинтеза растений. // Физиология Растений - 1993. - Т.40. - №4, с. 136-145

244. Гайдышев И. Анализ и обработка данных. -Санкт-Петербург. 2001. - 752 с.

245. Генкель П.А. Физиология растений с основами микробиологии. М.: Просвещение. - 1965. - 584 с.

246. Глаз Н. В. Методические подходы к выбору условий пробоотбора и оценке содержания хлорофилла в листьях растений кукурузы. // Вестник КрасГАУ. - 2015. - № 3(102). - С. 73 - 77.

247. Головко Т.К. Сезонные изменения состояния фотосинтетического аппарата трех бореальных видов хвойных растений в подзоне Средней тайги на Европейском северо-востоке. // Хвойные бореальной зоны, 2013. - Т. 31. - С. 73 - 78

248. Гольд В.М. Теоретические основы и методы изучения флуоресценции хлорофилла: Учеб. пособие. / В.М. Гольд, Н.А. Гаевский, Ю.С. Григорьев, В.А. Попельницкий, А.В. Гехман. - Красноярск; изд. КГУ, 1984. - 82 с.

249. Гольцев В. Н., Каладжи М. Х., Кузманова М. А., Аллахвердиев С. И. Переменная и замедленная флуоресценция хлорофилла a - теоретические основы и практическое приложение в исследовании растений. - М.-Ижевск: Институт компьютерных исследований, 2014. - 220 с.

250. Гордиев Т.Н. Хлорофилл, его строение и образование в растениях/Т.Н. Гордиев. Минск. - 1963. - 318.

251. Гржибовский А. М. Корреляционный анализ // Экология человека. - 2008. - №9. URL: https://cyberlenmka.ru/article/n/korrelyatsionnyy-analiz (дата обращения: 10.05.2024).

252. Григорьев Ю.С., Гаевский Н.А. Флуоресцентные методы в анализе экологического стресса растений. В кн.: Экологическая биофизика. Учебное пособие: В 3 т. Под ред. И.И. Гительзона, Н.С. Печуркина. Том 1. Фотобиофизика экосистем / М.: Изд-во Логос, 2002. Раздел 3,. 238 - 283.

253. Дворянкин Е.А. Физиология формирования урожайности сахарной свёклы в зависимости от факторов среды и воздействия гербицидов // Сахар. 2019. - №11.

254. Дмитриев П. А., Козловский Б. Л., Дмитриева А. А., Вардуни Т.

B., Влияние компоновки побегов сосны при гиперспектральной съемке в лабораторных условиях на статистические характеристики вегетационных индексов // «Живые и биокосные системы». - 2023. - № 46

255. Дьякова И.Н., Толстикова Т.Н. Адаптивные особенности видов рода Acer L. // Вестник МГТУ. - 2013. - №1. - С.89-94.

256. Еднич Е.М., Толстикова Т.Н. Биологические особенности рода Acer в условиях предгорной зоны Адыгеи. // Вестник АГУ. - 2015. №3(166).. - С.101-106.

257. Ерошенко Ф. В. Связь вегетационного индекса NDVI с содержанием хлорофилла в растениях озимой пшеницы / Ф. В. Ерошенко, И. Г. Сторчак, Е. О. Шестакова // Аграрный вестник Урала. - 2018. - № 4(171). -

C. 2. - DOI 10.25930/1se7-wj26.

258. Заплатин Б. П. Биотестирование атмосферных загрязнений по содержанию хлорофилла и активности полифенолоксидазы / Б. П. Заплатин // Известия Пензенского государственного педагогического университета им. В.Г. Белинского. - 2008. - № 14. - С. 82 - 87.

259. Зозулин Г. М. Леса Нижнего Дона. Ростов н/Д,: Изд-во Рост. Унта, 1992. 208 с.

260. Иванов Л. А., Иванова Л. А., Ронжина Д. А., Юдина П. К. Изменение содержания хлорофиллов и каротиноидов в листьях степных растений вдоль широтного градиента на Южном Урале // Физиология растений. - 2013. - № 6. - С. 856-864.

261. Иванов Л. А., Ронжина Д. А., Юдина П. К. Сезонная динамика содержания хлорофиллов и каротиноидов в листьях степных и лесных растений на уровне вида и сообщества // Физиология растений. - 2020. - Т. 67. - № 3. - С. 278 - 288. - DOI 10.31857/S0015330320030112.

262. Игнатова М. А., Козловский Б. Л., Дмитриев П. А. Сезонная динамика фотосинтетических пигментов у кленов Acer campestre L., A. Negundo L. И A. Saccharinum L. В Ростове-на-Дону. // Биосфера. - 2022. - Т. 14, № 2. - С. 82 - 97.

263. Игнатова М. А., Козловский Б. Л., Дмитриев П. А., Вардуни Т. В. Динамика содержания пигментов в листьях Acer L. В условиях ботанического сада ЮФУ // Природноресурсный потенциал, экология и устойчивое развитие регионов России: Сборник статей XX Международной научно-практической конференции, Пенза, 20-21 января 2022 года /Под редакцией В.А. Селезнева, И.А. Лушкина. - Пенза: Пензенский государственный аграрный университет, 2022. - С. 68 - 71.

264. Игнатова М. А., Козловский Б. Л., Дмитриев П. А., Вардуни Т. В. Сезонная динамика содержания хлорофиллов в листьях кленов // Биологическое разнообразие и биоресурсы степной зоны в условиях изменяющегося климата. Сборник материалов Международной научной конференции, посвященной 95-летию Ботанического сада Южного федерального университета. Таганрог, 2022. С. 443 - 448. ISBN 978-5-92754147-8

265. Игнатова М. А., Козловский Б. Л., Дмитриев П. А., Федоринова О. И., Дмитриева А. А., Вардуни Т. В., Сезонная динамика NDVI у видов клена // «Живые и биокосные системы». - 2022. - № 39; URL: https://jbks.ru/archive/issue-39/article-1/. DOI: 10.18522/2308-9709-2022-39-1

266. Игнатова М.А., Козловский Б.Л., Дмитриев П.А., Купрюшкин Д.П., Капралова О.А., Вардуни Т.В. Идентификация концентрации фотосинтетических пигментов в листьях растений с использованием данных дистанционного зондирования земли // Биоразнообразие, рациональное

использование биологических ресурсов и биотехнологии: сборник научных статей Международной научно-практической онлайн-конференции / Сост. Н.В. Смирнова, А.С. Баймухамбетова. - Астрахань: Астраханский государственный университет, Издательский дом «Астраханский университет», 2021. С. 6 - 9. ISBN 978-5-9926-1271-4

267. Игнатова М.А., Козловский Б.Л., Дмитриева А.А., Вардуни Т.В., Дмитриев П.А. Оценка сезонной динамики фотосинтетических пигментов в листьях кленов с помощью вегетационных индексов, рассчитанных по данным гиперспектральной съемки. // АгроЭкоИнфо: Электронный научно-производственный журнал. - 2024. - № 2. https: //doi.org/10.51419/202142206.

268. Кабиров Г.Ф. Тонкослойная хроматография - экспресс метод анализа химических соединений / Г.Ф. Кабиров, Р.Г. Кадырова, Р.Р. Муллахметов // Ученые записки Казанской государственной академии ветеринарной медицины им. Н.Э. Баумана. - 2011. - Т. 205. - С. 88- 94.

269. Кавеленова Л. М. Проблемы организации системы фитомониторинга городской среды в условиях лесостепи. Учебное пособие. Самара: Изд-во «Универс групп» .- 2006. - 223 с.

270. Калмацкая О. А. Флуоресцентные показатели листьев растений: влияние условий освещения и обработки физиологически активными веществами: дис. ... канд. ф-м. н.- Москва. - 2017. - 97 с.

271. Кизеев А. Н. Применение спектроскопии отражения для недеструктивного анализа пигментов в растительных тканях / А. Н. Кизеев, М. Н. Мерзляк, А. Е. Соловченко. // Молодой ученый. — 2010. — № 6 (17). — С. 90 - 97. — URL: https://moluch.ru/archive/17/1666/ (дата обращения: 10.05.2024).

272. Кириенко Н. Н., Терлеева П. С. Влияние техногенного загрязнения территории на содержание фотосинтетических пигментов в листьях лекарственных растений // Проблемы современной аграрной науки: мат-лыМеждунар. заочн. науч. конф. Красноярск. - 2009. - 292 с.

273. Кленовые, ореховые, ивовые, березовые/ Г.С. Костелова, Н.Ф. Русанов, А.У Усманов, А.А. Мавжудов // Дендрология Узбекистана: в XIVr. - Ташкент: Фан.,1973. - т. V. - С.3-157.

274. Климат Ростова-на-Дону. Л.: Наука. - 1987. 233 с.

275. Козловский Б.Л. Огородникова Т.К., Куропятников М.В., Федоринова О.И. Ассортимент древесных растений для зеленого строительства в Ростовской области / Б. Л. Козловский, Т. К. Огородникова, М. В. Куропятников, О. И. Федоринова. - Ростов-на-Дону: Южный федеральный университет. - 2009. - 416 с. - ISBN 978-5-9275-0674-3.

276. Козловский Б.Л., Куропятников М.В., Федоринова О.И Основной и дополнительный ассортимент древесных растений для зелёного строительства на юго-западе Ростовской области // Инженерный вестник Дона. - 2013. - С. 16.

277. Козловский Б.Л., Куропятников М.В., Федоринова О.И. Эколого-биологическая характеристика древесных растений урбанофлорыРостова-на-Дону // Известия Иркутского государственного университета. Сер. Биология. Экология. - 2011. - Т. 4. - № 2. - С. 38- 43.

278. Козловский, Б. Л. Фенология древесных интродуцентов Ботанического сада ЮФУ / Б. Л. Козловский, М. В. Куропятников, О. И. Федоринова; Министерство науки и высшего образования российской федерации; Южный федеральный университет. - Ростов-на-Дону - Таганрог: Южный федеральный университет. - 2020. - 228 с. - ISBN 978-5-9275-35538.

279. Колесников А.И. Декоративная дендрология. // Лесная промышленность. - 1974. - 704 с.

280. Колтунова А.И., Кузьмин Н.И. Клён ясенелистный (Acer negundo L.) в Оренбуржъе // Известия ОГАУ. - 2017.- №5 (67).

281. Корнеев, Д.Ю. Информационные возможности метода индукции флуоресценции хлорофилла. - Киев: Альтерпрес. - 2002. - 188 с.

282. Кудряшов А.П., Дитченко Т.И., Молчан О.В., Смолич И.И., ЯковецО.Г.Физиология растений - Минск: БГУ. - 2011. - 29 с.

283. Кузнецов В.В. Физиология растений в 2 т. Т. 2: учебник для академического бакалавриата / В.В. Кузнецов, Г.А. Дмитриева. — М.: Изд-во Юрайт, 2018. — 459 с.

284. Кузнецов Р.В., Осипова Е.А., Помогайбин Е.А. Особенности сезонной динамики фотосинтетических пигментов в листьях некоторых древесных интродуцентов в лесостепи Среднего Поволжья // Известия Самарского научного центра Российской академии наук. - 2009. - Т. 11, № 1(4). С. 715- 718.

285. Кутузова О. Г. Зависимость содержания хлорофилла в листьях Штшритйа L. От концентрации тяжелых металлов / О. Г. Кутузова, Е. Б. Якушевская // Известия Уфимского научного центра РАН. - 2013. - № 3. - С. 118 - 120.

286. Кынчева Р., Илиев И., Борисова Д., Георгиев Г.Раннее обнаружение физиологического стресса растительности по многоспектральным данным. // Современные проблемы дистанционного зондирования Земли из космоса.- 2011. - Т. 8. №4. - С. 319-326.

287. Ладыгин В. Г., Ширшикова Г. Н. Современные представления о функциональной роли каротиноидов в хлоропластах эукариот. - Том 67. -2006. № 3, С. 163-189.

288. Лебедев С.И. Физиология растений — М.: Агропромиздат, 1988. — 544 с.

289. Лысенко В.С. Флуоресценция хлорофилла растений как показатель экологического стресса: теоретические основы применения метода. // Вю^юа^шепсев/ЕипёатеПакевеагсЬ. - № 4. - 2013. - С. 112- 120.

290. Маслова Т. Г. Структурно-функциональные изменения фотосинтетического аппарата у зимневегетирующих хвойных растений в различные сезоны года. // Физиология растений. - 2009. - Т. 56, № 5. - С. 672-681.

291. Мерзляк М.Н., Гительсон А.А., Чивкунова О.Б., Соловченко А.Е., Погосян С.И. Использование спектроскопии отражения в анализе пигментов высших растений//Физиол. растений. - 2003. - Т. 50. - № 5. - С. 785-792.

292. Мокроносов А.Т. Фотосинтез. Физиолого-экологические и биохимические аспекты: учебник для студ. вузов / А.Т. Мокроносов, В.Ф. Гавриленко, Т.В. Жигалова; под ред. И.П. Ермакова. - 2-е изд., испр. и доп. -М.: Издательский центр «Академия». - 2006. - 448 с.

293. Назарова Ю. В. Анализ содержания магния и хлорофилла в Urticadioica, произрастающей на территории Оренбургской области / Ю. В. Назарова, И. В. Михайлова, Д. С. Карманова // Научные исследования: теория, методика и практика: сборник материалов Международной научно-практической конференции, Чебоксары, 21 мая 2017 года. - Чебоксары: Общество с ограниченной ответственностью "Центр научного сотрудничества "Интерактив плюс", 2017. - С. 35 - 38.

294. Нохсоров В.В., Петров К.А. Сравнительное исследование фонда зеленых и желтых пигментов в листьях кормовых растений криолитозоны Якутии // Вестник СВФУ. 2021. №5 (85).

295. Огородников А.Я. Методика визуальной оценки биоэкологических свойств древесных растений в населенных пунктах степной зоны. В кн.: Итоги введения растений. Ростов-на-Дону: РГУ; 1993. С. 50 - 58.

296. Основы биохимии вторичного обмена растений: [учеб.- метод. пособие] / [Г. Г. Борисова, А. А. Ермошин, М. Г. Малева, Н. В. Чукина ; под общ. ред. Г. Г. Борисовой] ; М-во образования и науки Рос. Федерации, Урал. федер. ун-т. — Екатеринбург: Изд-во Урал. ун-та, 2014. — 128 с.

297. Параскевопуло М. Ф., Сунцова Л. Н., Иншаков Е. М. Изучение пигментного состава некоторых видов древесных растений в условиях техногенного загрязнения города Красноярска // Хвойные бореальной зоны. 2017. Том XXXV, № 1-2. С. 54-59

298. Первушкин С. В., Куркин В. А., Воронин А. В. Методики идентификации различных пигментов и количественного спектрофотометрического определения суммарного содержания каротиноидов и белка в фитомассе S. platensis (Nords.) Geilt. // Растительные ресурсы. - 2002. № 1.- С. 112 - 119.

299. Пермяков Т.М., Андреева Л.Н Использование методов тонкослойной и бумажной хроматографии для экспресс-анализа содержания тяжёлых металлов в воде водоёмов // Научные и образовательные проблемы гражданской защиты. - 2010. №2.

300. Печинский С. В., Курегян А. Г. Структура и биологические функции каротиноидов // Вопросы биологической, медицинской и фармацевтической химии. - 2013. № 9. - С. 4 - 15.

301. Писарев Д. И., Новиков О. О., Романова Т. А. Разработка экспресс-метода определения каротиноидов в сырье растительного происхождения // Научные ведомости Белгородского государственного университета. - 2010. № 22. - С. 119 - 122.

302. Плохинский Н. А. Биометрия. М.: Изд-во МГУ. - 1970. - 367 с.

303. Погода и климат [Электронный ресурс]. URL: http: //po godaiklimat.ru (дата обращения:16.07.2023).

304. Пояркова А.И. Кленовые - Aceraceae Lindl. // Флора СССР: в ХХХ т. - М., Л., 1949. - С. 580 - 622.

305. Практикум по физиологии растений: учебно-методическое пособие / В.Н. Воробьев, Ю.Ю. Невмержицкая, Л.З. Хуснетдинова, Т.П. Якушенкова. - Казань: Казанский университет. - 2013. - 80 с.

306. Румянцев Д.Е. Лес, засуха, урожай зерновых и дендрохронология // МНИЖ. 2019. №3 (81). URL: https://cyberleninka.ru/article/n7les-zasuha-urozhay-zernovyh-i-dendrohronologiya (дата обращения: 11.05.2024).

307. Сальников А. И. Физиология и биохимия растений [Электронный ресурс]: практикум / А. И. Сальников, И. Л. Маслов. - Пермь: Пермская ГСХА. - 2014. - 300 с.

308. Самусик Е.А., Головатый С.Е. Реакция пигментной системы древесных растений на газопылевое загрязнение. ЖурналБелорусского государственного университета. Экология. - 2023. - №2. - 78-86 с.ЬИр8:/Мо1.ог^/10.46646/2521-683Х2023-2-78-86

309. Санникова Е. Г., Компанцева Е. В., Попова О. И., Айрапетова А. Ю. Определение пигментов в сырье ивы трехтычинковой ^аНхйа^га L.) методами тонкослойной хроматографии и спектрофотометрии // Химия растительного сырья. - 2019. - № 2. С. 119 - 127. ёо1:10.14258/]сргт.2019024077

310. Сарсацкая А.С. Содержание фотосинтетических пигментов у древесных пород городских насаждений // Вестник КемГУ. Серия: Биологические, технические науки и науки о Земле. - 2017. - № 4. С. 9 - 14.

311. Селянинов Г.Т. О сельскохозяйственной оценке климата // Труды по сельскохозяйственной метеорологии.1928. Вып. 20. С. 165-177.

312. Сидорова А.В., Леонова Н.В., Масич Л.А. Практикум по теории статистики. Учебное пособие. Донецк: ДонНУ. - 2003. - 252 с.

313. Силкина О. В. Химия биологически активных веществ: лабораторный практикум / О. В. Силкина // Поволжский государственный технологический университет. - Йошкар-Ола : Поволжский государственный технологический университет, 2017. - 96 с.

314. Скочилова Е. А. Влияние городской среды на содержание хлорофилла и аскорбиновой кислоты в листьях Tiliacordata (ТШасеае) / Е. А. Скочилова, Е. С. Закамская // Растительные ресурсы. - 2013. - Т. 49. - № 4. -С. 541 - 547.

315. Смашевский, Н. Д. Экология фотосинтеза / Н. Д. Смашевский // Астраханский вестник экологического образования. - 2014. - № 2(28). - С. 165-180.

316. Соколова Г. Г. Динамика содержания хлорофиллов в листьях березы повислой (BetulapendulaRoth), произрастающей в парках города

Барнаула / Г. Г. Соколова, В. А. Богатова // Проблемы ботаники Южной Сибири и Монголии. - 2019. - № 18. - С. 531 - 534.

317. Таран С.С. Влияние экологических факторов на биометрические характеристики посадочного материала клена остролистного. // Наука. Мысль. - 2014. №1. Ч.3. С. 4-13.

318. Титова М. С. Особенности фотосинтезирующей активности хвои интродуцированных видов Picea A. Dietr. в дендрарии горнотаежной станции / М. С. Титова // Фундаментальные исследования. - 2013. - № 11. - С. 128132.

319. Третьяков Н. Н. Практикум по физиологии растений : учеб.пособие для студентов с.-х. высш. учеб. заведений / под ред. Н. Н. Третьякова. - Москва: Колос. - 1982. - 272 с.

320. Удовенко Г. В. Устойчивость растений к абиотическим стрессам// Теоретические основы селекции растений. Т. 2, ч. 1 и 2. Физиологические основы селекции растений. СПб: ВИР. - 1995. - С. 293-346.

321. Ульяновский Н. В., Косяков Д. С., Боголицын К. Г. Разработка экспрессных методов аналитической экстракции каротиноидов из растительного сырья // Химия растительного сырья. - 2012. № 4. С. 147 - 152.

322. Усманов И.Ю., Рахманкулова З.Ф., Кулагин А.Ю. Экологическая физиология растений: Учебник. - М.: Логос. - 2001. - 224 с.

323. Федоринова О. И. Итоги интродукционного испытания видов рода клен (Acer L.) в Ботаническом саду Южного федерального университета / О. И. Федоринова, М. В. Куропятников, Б. Л. Козловский. - Ростов-на-Дону: Южный федеральный университет. - 2017. - 172 с.

324. Федоринова О. И., КозловскийБ. Л., Куропятников М. В. Результаты интродукции видов рода Acer L. в Ботаническом саду ЮФУ. // Известия высших учебных заведений. Северо-Кавказский регион. Естественные науки. - 2013. - № 4. - С. 55-58.

325. Флора Нижнего Дона: определитель / под ред. Г. М. Зозулина и В. В. Федяевой. Ростов-на-Дону: Изд-во Ростов. ун-та. - 1984. - Ч. 1.

326. Фоминых М. М., Хомутов Т. О., Курдюков Е. Е. Новая методика количественного определения пигментов в листьях стевии // Известия высших учебных заведений. Поволжский регион. Естественные науки. -2020. № 2. С. 23 - 31. doi: 10.21685/2307-9150-2020-2-3

327. Хабаров Д.А., Адиев Т.С., Попова О.О., Чугунов В.А., Кожевников В.А. Анализ современных технологий дистанционного зондирования Земли // Московский экономический журнал. - 2019. -№1.

328. Чеплянский И. Я. Турчин Т. Я., Ермолова А. С. Дистанционный мониторинг государственных защитных лесных полос степной зоны европейской части России / И. Я. Чеплянский, Т. Я. Турчин, А. С. Ермолова // Известия высших учебных заведений. Лесной журнал. - 2022. - № 3(387). -С. 44-59. - DOI 10.37482/0536-1036-2022-3-44-59

329. Чернявская И. В. Влияние городской среды на концентрацию фотосинтетических пигментов и интенсивность фотосинтеза растений рода Acer L / И. В. Чернявская, Н. А. Домрачева, Т. Н. Толстикова // Вестник Адыгейского государственного университета. Серия 4: Естественно -математические и технические науки. - 2021. - № 1(276). - С. 26-32.

330. Чернявская И. В. Содержание фотосинтетических пигментов в листьях представителей рода Acer L. В условиях городской среды / И. В. Чернявская, Е. М. Еднич, Т. Н. Толстикова // Siberian Journal of Life Sciences andAgriculture. - 2023. - Т. 15, № 5. - С. 153-171. - DOI 10.12731/2658-66492023-15-5-931.

331. Чернявская И. В. Родовой комплекс Acer L. В условиях городской среды (на примере г. Майкоп) / И. В. Чернявская, Е. М. Еднич, Т. Н. Толстикова // Современное состояние и перспективы сохранения биоресурсов: глобальные и региональные процессы: материалы Всероссийской научно-практической конференции с международным участием, Майкоп, 15 декабря 2021 года. - Майкоп: Магарин О.Г., 2021. - С. 275-282. - DOI 10.47370/978-5-91692-926-3-2021-275-282.

332. Шаркаева Э. Ш. Влияние урбанизированной среды на морфологические показатели и содержание хлорофилла в хвое сосны обыкновенной / Э. Ш. Шаркаева, А. С. Лукаткин // Проблемы озеленения крупных городов: сборник материалов XVII международной научно-практической конференции, Москва, 24-25 августа 2016 года. - Москва: ВДНХ, 2016. - С. 137 - 139.

333. Эржапова Р.С., Эржапова Р.С. Физиология растений. Водный режим растений. Учебное пособие. Грозный: Издательство ЧГУ. - 2015. -128 с.

334. Яшин Д.А., Зайцев Г.А. Содержание пигментов фотосинтеза в листьях Березы повислой (Betula pendula Roth) и Дуба черешчатого (Quercus robur L.) условиях Уфимского промышленного центра //Известия Самарского научного центра Российской академии наук. - 2015. - том 17, №6. С. 274 -277.