Цифровизация севооборота для устойчивого развития растениеводства Сибири

Назначение алгоритма цифровизации севооборота как основы для обеспечения устойчивого развития растениеводства – это переосмысление вариантов получения данных для составления севооборота. Использование севооборотов как важного инструмента растениеводческого предприятия может напрямую стимулировать повышение плодородия не менее чем на 10 – 12 % при правильном подборе культур, а также стать одним из источников ослабления развития деградации земель. Деградированные земли только в доле земель сельскохозяйственного значения Новосибирской области занимают не менее 12 %. В части регионов этот показатель растет и в отдельных случаях превышает 40 %, что является результатом природных и в немалой степени антропогенного факторов. Интеграция инструмента автоматического планирования является одним из шагов для развития растениеводства. Крупные агропромышленные комплексы уже давно озадачены идеями оптимизации производства и все чаще прибегают к технологиям точного земледелия, производят сезонный мониторинг на полях и тщательно контролируют всю хозяйственную деятельность, что, в свою очередь, позволяет накапливать большой массив данных, однако который зачастую почти не анализируется. Изучение этих данных может фактически корректировать планируемые культуры для последующих сезонов и быть своеобразной рекомендацией хозяйству к правкам или подтверждению верности принимаемых решений. Точность алгоритма напрямую зависит от вводных данных и того в каких объемах они предоставляются растениеводческими хозяйствами. Одной из движущих сил разработки предлагаемого алгоритма является постепенное снижение доли профессиональных агрономов, что требует создания инструмента для проверки получаемых данных менее опытными или начинающими агрономами.

1. М.С. Петухова, С.В. Коваль Приоритетные направления устойчивого сельскохозяйственного производства Новосибирской области // Экономика сельского хозяйства России. – 2022. – № 1. – С. 54–59.

2. Деградация почв в мире [Электронный ресурс]. – 2020. – URL: https://rosng.ru/post/degradaciya-pochv-v-mire (дата обращения: 15.10.2023).

3. Developing good practice guidance for estimating land degradation in the context of the United Nations Sustainable Development Goals / N.C. Sims, J.R. England, G.J. Newnham [et al.] // Environmental Science & Policy. – 2019. – Vol. 92. – P. 349–355.

4. Trends. Earth. Conservation International [Электронный ресурс]. – 2018. URL: http://trends.earth/docs/en/ (дата обращения: 15.10.2023).

5. Опыт эколого-экономической оценки деградации земель в регионах Российской Федерации / О.А. Макаров, А.С. Строков, Е.В. Цветнов [и др.] // Агрохимический вестник. – 2022. – № 3. – C. 317–324.

6. Intensifying crop rotations with pulse crops enhances system productivity and soil organic carbon in semi-arid environments / Kui Liu, Manjula Bandara, Chantal Hamel [et al.] // Field Crops Research. – 2020. – Т. 248 – P. 41–51.

7. Продуктивность полевых монокультур и возделываемых в севообороте в зависимости от содержания нитратного азота и биологической активности почвы на чернозёмах южных степных районов Южного Урала / В.Ю. Скороходов // Вестник Ульяновской ГСХА. – 2021. – № 1 (53). – С. 60–67.

8. Опыт оценки динамики деградации земель юга европейской части России с использованием методологии нейтрального баланса деградации земель / М.В. Беляева, О.В. Андреева, Г.С. Куст, В.А. Лобковский // Экосистемы: экология и динамика. – 2020. – № 3. – С. 145–165.

9. Работник двадцатипятилетия [Электронный ресурс]. – 2023. – URL: https://www.kommersant.ru/doc/5952421 (дата обращения: 15.10.2023).

10. Прогноз экологического состояния земель субъектов Российской Федерации в целях устойчивого развития / М.В. Евдокимова // Вестник Московского университета. Сер.17: Почвоведение. – 2023. – № 2. – С. 63–74.

11. Значение севооборота и предшественников в снижении засоренности сельскохозяйственных культур / Е.Г. Борисова // Вестник НГИЭИ. – 2014. – № 6 (37). – С. 13–21.

12. Mathematical Simulation and Investigation of the Phenomenon of Coherent Resonance in the Brain / A. Andreev, V. Makarov, F. Nikita [et al.] // 2nd School on Dynamics of Complex Networks and their Application in Intellectual Robotics (DCNAIR). – Saratov, Russia, 2018. – P. 9–11.

13. Е.В. Рудой, М.С. Петухова, И.Е. Лаврищев / Улучшение качества питания жителей Сибири путем производства биологизированных функциональных продуктов / // Достижения науки и техники АПК. – 2022. – Т. 36, № 11. – С. 86–90.

14. Влияние различных форм и доз минеральных азотных удобрений на продуктивность томата в условиях открытого грунта / А.Ф. Петров, Р.Р. Галеев, Н.В. Гаврилец [и др.] // Вестник НГАУ. – 2023. – № 3. – С. 93–100.

15. Продуктивность мягкой пшеницы в зависимости от активности микроорганизмов и содержания нитратного азота на южных чернозёмах Оренбургского Предуралья / Д.В. Митрофанов, Т.А. Ткачёва // Известия Нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование. – 2021. – № 3. – С. 152–165.