Оптимизация севооборотов на основе геостатистического анализа кислотности почвы и данных дистанционного зондирования земель с учетом финансовых издержек

В статье приводятся возможности детального анализа пространственного распределения кислотности почвы для снижения издержек на известкование и оптимизации землепользования пяти рабочих участков опытного крестьянского фермерского хозяйства “Гутько С.”. На основании вариограммного анализа определяются закономерности распределения кислотности на ключевых участках. Регрессионный анализ показал значимую и высокую полиномиальную зависимость между индексом NDVI и кислотностью почв (корреляционное отношение составляет 0.60–0.75 на ключах № 2–4) и значимую прямую линейную взаимосвязь на ключе № 1. Геостатистический анализ позволил выявить на участке № 3 среднюю пространственную зависимость (остаточная дисперсия 29.9%). На основе сильной взаимосвязи между средними значениями индекса NDVI летних месяцев за 3 года (9 снимков) и кислотности почвы было предложено использовать NDVI в качестве предиктора для оптимизации сетки пробоотбора с использованием стохастического моделирования. Было установлено, что проявление взаимосвязи с NDVI больше на тех участках, где меньше выражена расчлененность рельефа. На основании расчетов затрат “франко-почва” для проведения известкования было обосновано преимущество детального учета кислотности перед классическими методами агрохимического обследования, применяемыми на территории Республики Беларусь. Прибыль за ротацию составила около 1 200 долларов США с площади 184,5 га. По результатам анализа распределения кислотности, индекса NDVI и истории полей была предложена более детальная схема элементарных участков с севооборотами, которые учитывают кислотность почвы. Ограничением для более дробной разбивки участков выступили возможности имеющейся сельскохозяйственной техники.

1. Агропромышленный комплекс России в 2019 году. М.: ФГБНУ “Росинформагротех”, 2020. 564 с.

2. Бакина Л.Г., Чугунова М.В., Зайцева Т.Б., Небольсина З.П. Влияние известкования на комплекс почвенных микроорганизмов и гумусовое состояние дерново-подзолистой почвы в многолетнем опыте // Почвоведение. 2014. № 2. С. 225–234.

3. Бекбаева А.М., Мажренова Ш.К., Ермеков Ф.К., Токбергенов И.Т., Куришбаев А.К. Классификация содержания фосфора методами машинного обучения по данным дистанционного зондирования Земли // The Scientific Heritage. 2020. № 56–3. С. 29–36.

4. Богдевич И.М. Итоги и перспективы оптимизации агрохимических показателей плодородия пахотных почв Беларуси // Известия Национальной академии наук Беларуси. Серия аграрных наук. 2023. Т. 61. № 1. С. 22–33.

5. Воробей М.В., Киндеев А.Л. Геостатистический анализ внутрипольной неоднородности почвенной кислотности для проведения работ по известкованию // Почвоведение и агрохимия. 2024. № 1(72). С. 27–34.

6. Глобальное почвенное партнерство. URL: https://www.fao.org/global-soil-partnership/resources/highlights/detail/ru/c/1470631/.

7. ГОСТ 26484-85. Метод определения обменной кислотности.

8. Иванов А.Л., Столбовой В.С., Гребенников А.М., Оглезнев А.К., Петросян Р.Д., Шилов П.М. Ранжирование кислых почв по приоритетности проведения известкования в Российской Федерации // Бюллетень Почвенного института имени В.В. Докучаева. 2020. № 103. С. 168–187. DOI: https://doi.org/10.19047/0136-1694-2020-103-168-187.

9. Киндеев А.Л. Перспективные направления геостатистического анализа и стохастического моделирования с учетом экономических издержек при точном земледелии // Вестник Московского университета. Серия 17: Почвоведение. 2022. № 2. С. 59–70.

10. Красильников П.В., Таргульян В.О. На пути к “новой географии почв”: вызовы и решения (обзор) // Почвоведение. 2019. № 2. С. 131–139.

11. Лапа В.В., Пироговская Г.В., Богдевич И.М. Инструкция по известкованию кислых почв сельскохозяйственных земель. Минск: Ин-т почвоведения и агрохимии, 2019. 32 с.

12. Малышевский В.А., Федулов Ю.П., Островский Н.В., Лебедовский И.А. Расчет содержания гумуса с использованием данных дистанционного зондирования Земли // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2013. №. 92. С. 859–883.

13. Нурлыгаянов Р.Б., Гиниятова Ф.Ф., Зайнагабдинов А.Ф., Хаернасов И.И. Известкование кислых почв: прошлое и настоящее // Вестник Башкирского государственного аграрного университета. 2021 № 1. P. 34–41.

14. Окорков В.В. К теории химической мелиорации кислых почв // Агрохимия. 2019. № 9. С. 3–17. DOI: https://doi.org/10.1134/S0002188119090096.

15. Основные концепции геостатистических имитаций. URL: https://desktop.arcgis.com/ru/arcmap/latest/extensions/geostatistical-analyst/key-concepts-of-geostatistical-simulation.htm.

16. Охрана окружающей среды в России. 2020. M.: Росстат, 2020. 113 с.

17. Пустыльник Е.И. Статистические методы анализа и обработки наблюдений. М., 1968. 289 с.

18. Привалов Ф.И., Павловский В.К., Гракун В.В., Лапа В.В., Сорока С.В., Вахонин Н.К., Шиманский Л.П. Организационно-технологические нормативы возделывания зерновых, зернобобовых, крупяных культур, технических и кормовых растений. РУП “Научно-практический центр НАН Беларуси по земледелию”. Минск: ИВЦ Минфина, 2022. 530 с.

19. Самсонова В.П., Благовещенский Ю.Н., Мешалкина Ю.Л. Использование эмпирического Байесовского кригинга для выявления неоднородностей распределения органического углерода на сельхозугодьях // Почвоведение. 2017. № 3. С. 321–328.

20. Савин И.Ю., Виндекер Г.В. Некоторые особенности использования оптических свойств поверхности почв для определения их влажности // Почвоведение. 2021. № 7. С. 806–814.

21. Савин И.Ю., Танов Э.Р., Харзинов С. Использование вегетационного индекса NDVI для оценки качества почв пашни (на примере Баксанского района Кабардино-Балкарии) // Бюллетень почвенного института им. В.В. Докучаева. 2015. Вып. 77. С. 51–65. DOI: https://doi.org/10.19047/0136-1694-2015-77-51-65.

22. Савин И.Ю., Терехов А.Г., Мухамедиев Р.И. Концепция линии почв и ее использование для картографирования и мониторинга почв (обзор). Бюллетень Почвенного института имени В.В. Докучаева. 2025. Вып. 122. С. 174–193. DOI: https://doi.org/10.19047/0136-1694-2025-122-174-193.

23. Хутуев А.М., Занилов А.Х., Тутукова Д.А., Савин И.Ю. NDVI посевов как дистанционный индикатор качества пахотных почв // Бюллетень Почвенного института имени В.В. Докучаева. 2024. Вып. 121. С. 70–85. https://doi.org/10.19047/0136-1694-2024-121-70-85.

24. Шильников И.А., Сычёв В.Г., Зеленов Н.А., Аканова Н.И., Федотова Л.С. Известкование как фактор урожайности и почвенного плодородия. М.: ВНИИА, 2008. 340 с.

25. Якушев В.В. Информационно-технологические основы прецизионного производства растениеводческой продукции: Дис. ... д-ра с.-х. наук. 06.01.03. Санкт-Петербург, 2013. 367 с.

26. Heuvelink G.B.M., Webster R.A. Modelling soil variation: past, present, and future // Geoderma. 2001. Vol. 100. Iss. 3/4. P. 269–301.

27. Hofman D.J. Siegfried C.K. How many sampling points are needed to estimate the mean nitrate-N content of agricultural fields? A geostatistical simulation approach with uncertain variograms // Geoderma. 2021. Vol. 385. Art. 114816.

28. McBratney A.B., Gruijter J., Bryce A. Pedometrics timeline // Geoderma. 2019. Vol. 338. P. 568–575.

29. McBratney A.B., Minasny B., Stockmann U. Pedometrics. Australia: The University of Sydney, 2018. 713 p.

30. Oliver V.A., Kerry R., Frogbrook Z.L. Sampling in Precision Agriculture. Geostatistical Applications for Precision Agriculture. Ed.: M.A. Oliver. Dordrecht, 2010. P. 35–64.

31. Raj E.F.I., Appadurai M., Athiappan K. Precision farming in modern agriculture // Smart agriculture automation using advanced technologies: Data analytics and machine learning, cloud architecture, automation and IoT. Singapore: Springer Singapore, 2022. Р. 61–87.

32. The State of the World’s Land and Water Resources for Food and Agriculture – Systems at breaking point. Synthesis report. Rome. 2021. 82 p. DOI: https://doi.org/10.4060/cb7654en.

33. Uwiragiye Y., Ngaba M.J.Y., Yang M., Elrys A.S., Chen Z., Zhou, J. Spatially Explicit Soil Acidification under Optimized Fertilizer Use in Sub-Saharan Africa // Agronomy. 2023. Vol. 13. Р. 632.

34. Xiao S., Ou M., Geng Y., Zhou T. Mapping soil pH levels across Europe: An analysis of LUCAS topsoil data using random forest kriging (RFK) // Soil Use and Management. 2023. Vol. 39(2). P. 900–916.