Структура урожая подсолнечника при дифференцированном посеве

В статье предложена и изучена автоматизированная методика определения структуры и урожая подсолнечника, позволяющая прогнозировать урожайность и предлагать рекомендации по оптимизации размещения сельскохозяйственных культур в зависимости от потенциала полей. Основные задачи исследования включали разработку и внедрение инновационных технологий степного земледелия, направленных на обеспечение продуктивности сельхозугодий в соответствии с их биопотенциалом. Отработку технологии дифференцированного высева семян и внесения минеральных удобрений осуществляли в течение трех лет (2022–2024) на опытно-экспериментальных полях в двух хозяйствах Алтайского края по разным системам обработки почвы (классическая плоскорезная и No-till). Хозяйства расположены в Приалейской почвенно-климатической зоне. Установлено, что одним из основных показателей, определяющих уровень пестроты почвенного плодородия, является пространственная дифференциация содержания гумуса и основных элементов питания. Алгоритмы выделения зон плодородия почвы, подлежащих дифференциации по нормам высева семян и дозам внесения минеральных удобрений, разработаны с учетом региональной специфики. В хозяйстве, работающем по системе No-till, отмечена более высокая обеспеченность опытного поля органическим веществом (4,0%). При классической плоскорезной обработке содержание гумуса составляло 3,5%. Установлено, что чем выше содержание гумуса, тем выше уровень плодородия почвы. Предложены и исследованы автоматизированные методы распознавания и подсчета количества всходов подсолнечника, а также построения карт сорной растительности по RGB-изображениям сверхвысокого пространственного разрешения, полученным с помощью беспилотного летательного аппарата. Выявлено, что при выборе рациональных соотношений нормы высева семян и доз внесения удобрений по зонам почвенного плодородия следует учитывать их совместное влияние на полевую всхожесть растений и количество полученных всходов.

1. Шпанев А.М., Смук В.В. Эффективность дифференцированного применения гербицидов в посевах озимой пшеницы // Российская сельскохозяйственная наука. 2020. № 4. С. 25–27.

2. Бышов Н.В., Олейник Д.О., Богданчиков И.Ю., Бачурин А.Н., Липатов Н.В. Применение геоинформационных систем и дифференцированного распределения семян и удобрений при посеве озимой пшеницы // Вестник Рязанского государственного агротехнологического университета им. П.А. Костычева. 2020. № 4 (48). С. 92–97.

3. Шпанев А.М., Смук В.В., Фесенко М.А. Дифференцированное применение гербицидов в условиях северо-запада России // Защита и карантин растений. 2021. № 6. С. 17–20.

4. Strygin S.P., Khairullina S.G., Tulegenov K.K. Application of a precision farming system in soya cultivation // Science and Education. 2023. N 4-2 (73). P. 186–194.

5. Шаповалов Д.А., Королева П.В., Калинина Н.В., Вильчевская Е.В., Куляница А.Л., Рухович Д.И. ASF-INDEX – карта устойчивой внутриполевой неоднородности плодородия почвенного покрова, построенная на основе больших спутниковых данных // Земельные отношения и землеустройство. 2020. № 1. С. 9–15.

6. Ovcharova N.V., Silantieva M.M., Bеlyaev V.I., Gulyanov Yu.A., Sokolova L.V., Plutalova T.G., Botvich I.Yu., Emelyanov D.V., Belov N.P. Identification of fertility zones and assessment of potential crop yield based on biological farming approaches // Acta Biologica Sibirica. 2023. Vol. 9. P. 1083–1107. DOI: 10.5281/zenodo.10255212.

7. Xu B., Fan J., Chao J., Arsenijevic N., Werle R., Zhang Z. Instance segmentation method for weed detection using UAV imagery in soybean fields // Computers and Electronics in Agriculture. 2023. N 211 (3). P. 107994. DOI: 10.1016/j.compag.2023.107994.

8. Fawakherji M., Potena C., Pretto A., Bloisi D., Nardi D. Multi-Spectral Image Synthesis for Crop/Weed Segmentation in Precision Farming // Robotics and Autonomous Systems. 2021. N 146 (1). P. 103861.

9. Sahin H.M., Miftahushudur T., Grieve B., Yin H. Segmentation of weeds and crops using multispectral imaging and CRF-enhanced U-Net // Computers and Electronics in Agriculture. 2023. P. 211.

10. Gao M., Yang F., Wei H., Liu X. Automatic Monitoring of Maize Seedling Growth Using Unmanned Aerial Vehicle-Based RGB Imagery // Remote Sens. 2023. Vol. 15. P. 3671.

11. Wang B., Zhou J., Costa M., Kaeppler S.M., Zhang Z. Plot-Level Maize Early Stage Stand Counting and Spacing Detection Using Advanced Deep Learning Algorithms Based on UAV Imagery // Agronomy. 2023. Vol. 13. P. 1728.

12. Yang T., Zhu S., Zhang W., Zhao Y., Song X., Yang G., Yao Z., Wu W., Liu T., Sun C. Unmanned Aerial Vehicle-Scale Weed Segmentation Method Based on Image Analysis Technology for Enhanced Accuracy of Maize Seedling Counting // Agriculture. 2024. Vol. 14. P. 175.

13. Danilevicz M.F., Bayer P.E., Boussaid F., Bennamoun M., Edwards D. Maize Yield Prediction at an Early Developmental Stage Using Multispectral Images and Genotype Data for Preliminary Hybrid Selection // Remote Sens. 2021. Vol. 13. P. 3976.

14. Степанов А.С., Дубровин К.Н., Верхотуров А.Л., Селезнёва Н.А., Суняйкин А.А. Перспективы использования оптических и радарных изображений для контроля за соблюдением севооборотов в Хабаровском крае // Достижения науки и техники АПК. 2021. Т. 35. № 12. С. 23–28.

15. Курбанов Р.К., Захарова Н.И., Захарова О.М., Горшков Д.М. Оценка перезимовки всходов селекционной озимой пшеницы с помощью БПЛА // Инновации в сельском хозяйстве. 2019. № 3 (32). С. 133–139.

16. Письман Т.И., Шевырногов А.П., Ларько А.А., Ботвич И.Ю., Емельянов Д.В., Шпедт А.А., Трубников Ю.Н. Информативность спектральных вегетационных индексов для дешифрирования сельскохозяйственных полей // Биофизика. 2019. № 4. С. 740–746.

17. Альт В.В., Пестунов И.А., Мельников П.В., Ёлкин О.В. Автоматизированное обнаружение сорняков и оценка качества всходов сельскохозяйственных культур по RGB-изображениям // Сибирский вестник сельскохозяйственной науки. 2018. Т. 48. № 5. С. 52–60.