The purpose of the study is to evaluate the effectiveness of the use of a new biopesticide and develop a predictive model for crop yields based on Earth remote sensing data. Tasks – acquisition, processing and analysis of retrospective data and current seasonal NDVI values for spring barley and winter wheat; comparative evaluation of the action of a new biological plant protection product (PPP) of the protective and stimulating action "Nigor ++"; numerical assessment of the long-term correlation relationship between the maximum values of NDVI and crop yields and the conclusion about the possibility of using the vegetation index as an indicator of crop yields with the development of an adequate regression equation under the conditions of the experimental production farm of the Orel State Agrarian University. Field studies for the 2021 season were carried out at the pilot production sites of the Orel State Agrarian University. Soil type is gray forest. Crops are winter wheat Moskovskaya 39 (crop area 48.1 ha), spring barley Raushan (crop area – 17.4 ha). Sowing of winter wheat was carried out on 09/10/2020, spring barley – on 05/07/2021 with seeds treated with the Scarlet fungicide. The dynamics of changes in the NDVI index for crops treated with a new biological product is 10–15 days ahead of the control, up to the heading phase, and the maximum values of the vegetation index of the experimental crops are 5–6 % higher than the control plots. The average long-term correlation coefficients between yield and peak NDVI values are 0.79 for winter wheat and 0.75 for spring barley, which confirms the reliability of using the maximum seasonal values of the vegetation index as a controlled variable in the predictive yield model. The error in assessing the yield of crops, made using the proposed predictive models, relative to the actual yield values does not exceed 6.7 %. This gives the right to recommend the obtained models for planning production and economic tasks in the experimental production facility of the university.
yield, NDVI index, predictive model, crops, biostimulant drug
Введение. Инструментарий дистанционного зондирования Земли (ДЗЗ) позволяет увеличить объемы поступающей информации и повысить оперативность ее обработки [1–3]. Для оценки состояния, динамики развития сельхозкультур и прогнозирования их продуктивности все чаще используют методы удаленного мониторинга и контроля. Один из таких показателей представляет собой нормализованный разностный вегетационный индекс (normalized difference vegetation index, NDVI) [4–6].
При анализе сезонной динамики NDVI, проведенном рядом авторов [7, 8], выявлены более высокие значения данного показателя в летние месяцы, что объясняется увеличением биомассы и количественного состава хлорофилла в вегетирующих растениях. При этом понижается яркость растений в красной зоне и возрастает в инфракрасной области спектра [9], увеличивая расчетное значение NDVI.
Высокая степень взаимосвязи вегетационного индекса и количества накопленного хлорофилла в вегетирующих растениях подтверждается результатами исследований [10–12]. Особо подчеркивается наличие корреляционной зависимости между интегрированными максимальными значениями NDVI и их продуктивностью [13–17]. Изучением динамики изменения вегетационного индекса на посевах озимой пшеницы, возделываемой по интенсивной технологии, удалось показать, что наибольшие значения NDVI соответствуют моменту начала фазы колошения, достигая пика при 0,80–0,88 [18].
В то же время характер изменения сезонных значений вегетационного индекса и его отражение агробиологических показателей растений существенно зависят от внешних воздействий, особенностей возделываемых культур, региональных условий и т. д. [7, 19, 20]. Это не дает возможности предложить единый подход к оценке условий развития культуры и применению единой прогностической модели.
Кроме того, наращивание разработки новых средств защиты и стимулирования растений предполагает соответствующие решения в части оценки их эффективности на основе применения инновационных технологий, в т. ч. средствами ДЗЗ.
Таким образом, предлагаемая работа, направленная на моделирование во времени урожайности сельскохозяйственных культур под воздействием новых систем защиты (препарат «Нигор++») с применением данных NDVI является актуальной и современной.
Теоретическая значимость исследования состоит в определении роли динамики изменения показателей вегетативного индекса NDVI при оценке эффективности новых систем защиты сельскохозяйственных культур, а также получении прогностических моделей урожайности культур на основе полиномиальных (второй степени) функций.
Практическая ценность работы заключается в получении корреляционных зависимостей между урожайностью и пиковыми значениями вегетативного индекса по данным многолетних наблюдений, необходимых для формализации прогноза урожайности; использовании полученных математических моделей при достоверном планировании производственно-экономических задач конкретного хозяйства.
В опытно-производственном хозяйстве Орловского ГАУ в течение ряда лет проводится последовательная работа по внедрению информационно-цифровых технологий в производство [21–23]. В 2021 г. университетом выполнялась комплексная НИР [24], одна из содержательных частей которой заключалась в получении экспериментальных данных результатов исследования эффективности нового биологически активного средства «Нигор++».
Цель исследования – оценка эффективности применения нового биопестицида и разработка прогностической модели урожайности зерновых культур на основе данных ДЗЗ.
Задачи: получение, обработка и анализ ретроспективных данных и текущих сезонных значений NDVI по яровому ячменю и озимой пшенице; сравнительная оценка действия нового биологического средства защиты растений (СЗР) защитно-стимулирующего действия «Нигор++»; численная оценка многолетнего корреляционного отношения максимальных значений NDVI и урожайности культур и вывод о возможности использования вегетационного индекса как показателя урожайности культур с разработкой адекватного уравнения регрессии в условиях опытно-производственного хозяйства Орловского ГАУ.
Объекты и методы. Полевые исследования сезона 2021 г. выполнялись на опытно-производственных участках Орловского ГАУ. Тип почвы: серая лесная почва. Культуры – озимая пшеница Московская 39 (площадь посевов 48,1 га), яровой ячмень Раушан (площадь посевов – 17,4 га). Посев озимой пшеницы провели 10.09.2020, ярового ячменя – 07.05.2021 обработанными фунгицидным протравителем «Скарлет» семенами.
Ранее проведенными исследованиями показано [25–27], что биологический препарат «Нигор++» (Патент РФ № 2463759) увеличивает ассимиляционную поверхность, общую биомассу, корневую емкость, накопление зеленых пигментов, устойчивость к болезням, урожайность зерна за счет увеличения сохранности растений на делянке, размера колоса, массы семян, а также значительно улучшает качество зерна (количество протеина, клейковины и седиментации).
На опытных посевах озимой пшеницы препарат «Нигор++» вносили 25 мая 2021 г. в фазу «начала выхода в трубку» и повторно 16 июня 2021 г. в фазу «колошения» по флаговому листу. Посевы ярового ячменя обрабатывались 10 июня и 28 июня 2021 г.
Ретроспектива данных NDVI обеспечивалась архивными спутниковыми снимками за 2016–2020 гг. Для получения многолетних статистических данных по динамике изменения вегетационного индекса NDVI использовали архивы геопортала «КосмосАгро» [28]. Приложение ScanEx Geomixer [29] обеспечивало оперативную аналитическую обработку поступающей информации.
В течение всего вегетативного сезона 2021 г. выполнялась аэрофотосъемка и расчет индексов NDVI опытных участков; строилась сезонная динамика вегетационного индекса. Для получения текущих данных использовался беспилотный летательный аппарат (БПЛА) «Агрофлай Квадро».
Индекс вегетации NDVI определяли по формуле от первоисточника [4]; оценку точности моделей – показателем средней абсолютной ошибки MAPE (Mean Absolute Percentage Error) [30].
Результаты и их обсуждение. Исследованиями в полевых условиях сезона 2021 г. установлены следующие условия, влияющие на сроки развития растений и активность бактерий биостимулирующего препарата (яровой ячмень/ озимая пшеница):
- Фаза «3 лист/кущение». Сумма осадков за период – 14/35 мм; средняя температура воздуха – 20,2/10,5; средний уровень ультрафиолета – 16,7/10,1 Вт · м-2.
- Фаза «Выход в трубку» (продолжительность – 13/31 дней). Сумма осадков за период – 0/0,45 мм; средняя температура воздуха – 31,9/22,3; средний уровень ультрафиолета – 27,0/25,2 Вт · м-2.
- Фаза «Колошение» (продолжительность – 9/11 дней). Сумма осадков за период – 3,9/0 мм; средняя температура воздуха – 26,6/25,4; средний уровень ультрафиолета – 19,2/28,9 Вт · м-2.
- Фаза «Цветение» (продолжительность – 15/11 дней). Сумма осадков за период – 0,5/2,1 мм; средняя температура воздуха – 35,1/28,7; средний уровень ультрафиолета – 28,2/26,8 Вт · м-2.
- Фаза «Созревание» (продолжительность – 23/11 дней). Сумма осадков за период – 0,6/5,5 мм; средняя температура воздуха – 27,6/31,3; средний уровень ультрафиолета – 13,7/28,8 Вт · м-2.
В условиях Орловской области оптимальное снабжение яровых зерновых влагой считается, когда в период «посев-всходы» выпадает 30–45 мм осадков. Результаты полевых наблюдений показали, что в период с 7 по 23 мая выпало около 25 мм осадков. Это повлекло некоторое увеличение срока всходов (11–12 дней), притом, что по многолетним данным всходы появляются на восьмой-девятый день.
В период «всходы-цветение» выпало 95 мм осадков, что является достаточным водоснабжением для обеспечения нормального развития посевов яровых и озимых.
В фазы развития «цветение-созревание» зерновых выпадение осадков зафиксировано суммарно всего 0,6 и 5,5 мм – для ярового ячменя и озимой пшеницы соответственно. Тем не менее, показатели запасов почвенной влаги в корнеобитаемом слое составили 67–73 мм, что является оптимальным для обеспечения формирования урожая зерновых культур.
В целом температурный режим и солнечная активность сезона 2021 г. мало отличались от среднемноголетних показателей по Орловской области и не оказали аномального влияния на процесс развития растений и активность бактерий биостимулирующего препарата.
Сезонная изменчивость индекса NDVI по данным многолетних наблюдений демонстрирует следующее. Цикличный тренд значений временных рядов культур аналогичен и в большей степени соответствует закону нормального распределения. Меньшие значения индекса вегетации, не зависимо от культуры, характеризуют зимний период. Конец весны – середина лета обусловлены максимальными значениями NDVI. Наибольшие среднемноголетние значения индекса вегетации отмечены в июне. Для озимой пшеницы максимальные значения NDVI приходятся на июнь и составляют 0,72; для ярового ячменя – 0,56 [23].
С помощью сезонных снимков с БПЛА получены временные ряды значений индекса NDVI для опытных участков озимой пшеницы и ярового ячменя, обработанных новым биопрепаратом, и контроля. Тренд изменения значений вегетационного индекса по фазам развития растений приведен на примере озимой пшеницы урожая 2021 г. (рис. 1). Как видно, значения NDVI возрастают от ранних сроков вегетации культуры к фазам колошения и цветения. Максимальное значение NDVI, равное 0,78, отмечено 18 июня, что соответствует фазе начала колошения, зафиксированной 17 июня. Данный характер динамики изменения вегетационного индекса по отношению к зафиксированным в исследованиях срокам фенофаз растений можно считать типовым для обеих культур.
Установлено, что развитие вегетации растений опытного участка с озимой пшеницей на 10–15 дней опережает контроль в период с 15.04 вплоть до начала фазы колошения (13–15.06). Пиковые значения вегетационного индекса NDVI для опытного и контрольного участков приходятся на 18.06. При этом максимальное значение NDVI для участка, обработанного новым биопрепаратом, составляет 0,83, что превышает пиковое значение контрольного участка (0,78) на 5–6 % (рис. 2). Аналогичные сравнительные данные были получены для посевов ярового ячменя.
Для решения об использовании пиковых значений вегетационного индекса NDVI в качестве управляемой переменной x функции У = f(x) выполнен анализ статистических данных урожайности обеих культур и соответствующих им пиковых значений NDVI в ретроспективе с 2016 по 2020 г. (табл. 1).
Рис. 1. Сезонная динамика вегетационного индекса NDVI по фазам
развития озимой пшеницы (2021 г.) (использованы материалы [8])
Рис. 2. Сравнительная оценка значений и сезонной динамики NDVI озимой пшеницы
по результатам использования нового биопрепарата
Коэффициентами корреляции по данным признакам 0,79 и 0,75 – для пшеницы озимой и ярового ячменя, соответственно, с высокой степенью надежности подтверждается возможность прогноза урожайности культур на основе данных их пиковых значений NDVI.
Используя данные таблицы 1 получены следующие прогностические уравнения урожайности культур:
– для пшеницы озимой
У = 104,09–297,13x + 264,91x2; (1)
– для ячменя ярового
У = 38,9–80,39x + 71,22x2, (2)
где x – максимальное значение NDVI в текущем сезоне; У – ожидаемая урожайность культуры, ц∙га-1.
Таблица 1
Численные значения урожайности и максимумов индекса NDVI
культур с расчетом коэффициента корреляции по данным отдельных
производственных участков в 2016–2020 гг.
|
Год наблюдений |
Производственный участок |
NDVI |
Урожайность, ц·га-1 |
|
Пшеница озимая |
|||
|
2016 |
25 |
0,79 |
27,46 |
|
2017 |
23 |
0,82 |
45,50 |
|
26 |
0,89 |
46,32 |
|
|
31 |
0,85 |
44,91 |
|
|
2018 |
36 |
0,73 |
30,76 |
|
2019 |
22 |
0,66 |
24,00 |
|
33 |
0,77 |
26,71 |
|
|
2020 |
23 |
0,81 |
40,47 |
|
24 |
0,80 |
31,53 |
|
|
26 |
0,80 |
44,97 |
|
|
2021 |
38 |
0,78 |
32,10 |
|
|
k = 0,79 |
||
|
Ячмень яровой |
|||
|
2016 |
27 |
0,84 |
21,22 |
|
30 |
0,81 |
20,50 |
|
|
2017 |
54 |
0,87 |
23,21 |
|
2018 |
37 |
0,54 |
19,73 |
|
38 |
0,50 |
14,02 |
|
|
39 |
0,61 |
15,20 |
|
|
2019 |
27 |
0,57 |
18,16 |
|
34 |
0,57 |
18,01 |
|
|
2020 |
13 |
0,63 |
14,26 |
|
29 |
0,71 |
18,27 |
|
|
|
k = 0,75 |
||
Коэффициент детерминации R2 и MAPE составили соответственно 0,74 и 10,3 – для модели урожайности пшеницы озимой; 0,66 и 8,4 – для модели ячменя ярового.
С целью оценки степени достоверности прогностических моделей урожайности, полученных в ходе настоящего исследования, в них произведена подстановка пиковых значений NDVI сезона 2021 г. Важно отметить, что указанные расчеты выполнялись непосредственно в ходе формирования графика динамики изменения NDVI текущего сезона, т. е. до уборки урожая.
Подстановка в уравнения (1) и (2) значений NDVI, полученных на сравниваемых участках опытных культур, показала следующее. Расчетная продуктивность озимой пшеницы на участке, обработанном препаратом «Нигор++», составила 40,0 ц · га-1. Прогноз урожайности контрольного участка находился на уровне 33,5 ц · га-1, что на 16,2 % меньше. Для ярового ячменя спрогнозирована урожайность 28,9 и 28,4 ц · га-1 – соответственно для участков опыта и контроля.
Позднее были получены значения фактической урожайности культур, принимавших участие в эксперименте. Так, продуктивность опытных участков озимой пшеницы и ярового ячменя находилась на уровне 41,3 и 31,3 ц га-1, тогда как урожайность по контролю составила для этих культур 36,1 и 28,7 ц · га-1 соответственно.
Полученные расчетные и фактические значения урожайности культур для различных вариантов эксперимента представлены в таблице 2. Как видно, погрешность выполненной на основе предложенных регрессионных моделей прогнозной оценки урожайности культур не превышает 6,7 %. Это позволяет рекомендовать предложенные математические модели для прогноза урожайности культур в условиях опытно-производственного хозяйства Орловского ГАУ. Такой прогноз позволит определять возможные объемы реализации растениеводческой продукции и рынки сбыта в «удачном» году, а также планировать превентивные мероприятия для минимизации ущерба, например, при неблагоприятно складывающихся погодных условиях.
Таблица 2
Расчетные и фактические значения урожайности культур
в различных вариантах полевого эксперимента
|
Сравниваемые участки |
Пиковое значение NDVI |
Расчетная урожайность, ц · га-1 |
Фактическая урожайность, ц ∙ га-1 |
Погрешность оценки, % |
|
Озимая пшеница |
||||
|
Опыт |
0,83 |
40,0 |
41,3 |
3,2 |
|
0,78 |
33,5 |
36,1 |
6,2 |
|
|
Яровой ячмень |
||||
|
Опыт |
0,76 |
28,9 |
31,3 |
6,7 |
|
Контроль |
0,74 |
28,4 |
28,7 |
1,04 |
Заключение
1. Сравнением временных рядов NDVI, полученных по среднемноголетним и текущим данным сезона 2021 г., обнаружено опережение динамики вегетативного развития культур в 2021 г. на 7–10 дней и незначительное снижение максимального (пикового) значения вегетационного индекса.
2. Установлено, что, независимо от культуры, развитие вегетации растений, обработанных новым биологическим СЗР защитно-стимулирующего действия «Нигор++», опережает контроль вплоть до начала фазы колошения. Характеризующее наибольший объем вегетативной массы максимальное значение индекса NDVI для культур, обработанных новым биопрепаратом, составляет 0,83, что превышает пиковое значение контрольного участка на 5–6 %.
3. Коэффициенты корреляции между максимальными сезонными значениями индексов NDVI и продуктивностью культур составили 0,79 и 0,75 для пшеницы озимой и ярового ячменя соответственно. Это подтверждает надежность прогноза урожайности культур, выполняемого на основе данных их пиковых сезонных значений нормализованного разностного вегетационного индекса.
4. Получены прогностические модели урожайности культур на основе полиномиальных (второй степени) функций. Коэффициенты детерминации и средние абсолютные ошибки моделей составляют 0,74 и 10,3; 0,6 и 8,4 соответственно для озимой пшеницы и ярового ячменя, что подтверждает достоверность предложенных регрессионных моделей и возможность их применения для планирования производственно-экономических задач в опытно-производственном хозяйстве университета.
5. Сравнение прогнозных и фактических значений урожайности культур в полевом сезоне 2021 г. выявило погрешность модельной оценки, не превышающую 6,7 %.
6. Теоретический подход к использованию показателей сезонной динамики индекса NDVI для сравнительного анализа эффективности новых систем защиты может применяться в научных и производственных организациях, реализующих принципы цифрового сельского хозяйства.
1. Osobennosti obrabotki aerokosmicheskih snimkov dlya optimizacii geostatisticheskih issledovaniy vnutripolevoy izmenchivosti v zadachah tochnogo zemledeliya / V.P. Yakushev [i dr.] // Sovremennye problemy distancionnogo zondirovaniya Zemli iz kosmosa. 2021. № 18 (4). S. 128–139. DOI:https://doi.org/10.21046/2070-7401-2021-18-4-128-139.
2. Houborg R., McCabe M. High-Resolution NDVI from Planet’s Constellation of Earth Observing Nano-Satellites // A New Data Source for Precision Agriculture. Remote Sens. 2016. № 8. P. 768. DOI:https://doi.org/10.3390/rs8090768.
3. NDVI: Vegetation change detection using remote sensing and GIS – A case study of Vellore Distric / G.G. Meera [et al.] // Procedia Computer Science. 2015. № 57. P. 1199–1210. DOI:https://doi.org/10.1016/j.procs.2015.07.415.
4. Huete A., Justice C., Liu H. Vegetation and soil lines in visible spectral space: A concept and technique for remote estimation of vegetation fraction // Remote Sens Environ. 1994. № 49. P. 224–234. DOI:https://doi.org/10.1080/01431160110107806.
5. Vannoppen A., Gobin A. Estimating Yield from NDVI, Weather Data, and Soil Water Depletion for Sugar Beet and Potato in Northern Belgium // Water. 2022. № 14. P. 1188. DOI:https://doi.org/10.3390/w14081188.
6. Wilton M. Crop Yield Estimation Using NDVI: A Comparison of Various NDVI Metrics. A thesis submitted to the Faculty of Graduate Studies of The University of Manitoba in partial fulfillment of the requirements of the degree of master of science. 2021. Winnipeg Manitoba. 201 p.
7. Analiz sezonnoy i mnogoletney dinamiki vegetacionnogo indeksa NDVI na territorii gosudarstvennogo prirodnogo zapovednika «Nurgush» / T.A. Adamovich [i dr.] // Teoreticheskaya i prikladnaya ekologiya. 2018. № 1. S. 18–24.
8. Methodology for dense high-resolution EO time series, gap filled / G. D’Urso [et al.] // Europian Commission. Horizon Europian Union funding for Research & Innovation. 2020. P. 28.
9. Vegetation biomass, leaf area index, and NDVI patterns and relationships along two latitudinal transects in arctic tundra / H.E. Epstein [et al.] // Abstract GC31A–0697, presented at AGU Fall Meeting, San Francisco, CA. 2009. V. 90. P. 14–18. DOI:https://doi.org/10.1029/2007JG000555.
10. Komarov A.A., Komarov A.A. Ocenka sostoyaniya travostoya c pomosch'yu vegetacionnogo indeksa NDVI // Izvestiya SPbGAU. 2018. № 2 (51). S. 124–129.
11. Mnogoletnyaya dinamika NDVI-rastitel'nosti razlichnyh klassov tundry v zavisimosti ot temperatury i osadkov / A.G. Degermendzhi [i dr.] // Doklady Rossiyskoy akademii nauk. Nauki o zemle. 2020. T. 493, № 2. S. 103–106. DOI:https://doi.org/10.31857/S26867397 20080046.
12. Volkova L.V., Sheshegova T.K. Urozhaynost' i soderzhanie fotosinteticheskih pigmentov v list'yah yarovoy pshenicy pri porazhenii septoriozom // Vestnik NGAU. 2019. № 3 (52). S. 17–25. DOI:https://doi.org/10.31677/2072-6724-2019-52-3-17-25.
13. Stepanov A.S., Aseeva T.A., Dubrovin K.N. Vliyanie klimaticheskih harakteristik i znacheniy vegetacionnogo indeksa NDVI na urozhaynost' soi (na primere rayonov Primorskogo kraya) // Agrarnyy vestnik Urala. 2020. № 01 (192). S. 10–19. DOI:https://doi.org/10.32417/1997-4868-2020-192-1-10-19.
14. Pis'mennaya E.V., Azarova M.Yu. Prognoz urozhaynosti ozimoy pshenicy v zasushlivoy zone Stavropol'ya na osnove dannyh NDVI // Nauka i obrazovanie. 2020. T. 3, № 4. S. 20–25.
15. Pis'mennaya E.V., Azarova M.Yu. Zavisimost' produktivnosti ozimoy pshenicy ot pokazateley NDVI v zasushlivoy zone Stavropol'skogo kraya // Agropromyshlennye tehnologii Central'noy Rossii. 2021. № 19 (1). S. 39–45. DOI:https://doi.org/10.24888/2541-7835-2021-19-39-45.
16. Storchak I.G., Shestakova E.O., Eroshenko F.V. Svyaz' urozhaynosti posevov ozimoy pshenicy s NDVI dlya otdel'nyh poley // Agrarnyy vestnik Urala. 2018. № 6 (173). S. 64–68.
17. Korotkov A.A., Astapov A.Yu. Vegetacionnyy indeks NDVI dlya monitoringa rastitel'nosti // Nauka i obrazovanie. 2020. T. 3, № 3. S. 131–140.
18. Prishutov K.A., Astapov A.Yu., Ryazanova Yu.A. Primenenie BPLA dlya ocenki kachestva rastitel'nosti // Inzhenernoe obespechenie innovacionnyh tehnologiy v APK: sb. mat-lov Mezhdunar. nauch.-prakt. konf. Michurinsk, 2018. S. 212–217.
19. Trend Change Detec-tion in NDVI Time Series: Effects of Inter-Annual Variability and Methodology / M. Forkel [et al.] // Remote Sens. 2013. № 5. P. 2113–2144. DOI:https://doi.org/10.3390/rs5052113.
20. USA Crop Yield Estimation with MODIS NDVI: Are Remotely Sensed Models Better than Simple Trend Analyses? / D.M. Johnson [et al.] // Remote Sens. 2021. № 13. P. 4227. DOI:https://doi.org/10.3390/rs13214227.
21. Sozdanie i razvitie eksperimental'nogo cifrovogo opytnogo hozyaystva agrarnogo vuza / S.A. Rodimcev [i dr.]. Orel, 2020. 370 s.
22. Razvitie opytno-proizvodstvennogo hozyaystva agrarnogo vuza na osnove realizacii cifrovyh platformennyh resheniy / S.A. Rodimcev [i dr.]. Orel, 2021. 206 s.
23. Modelirovanie usloviy vegetacii s ispol'zovaniem otkloneniy tekuschih znacheniy NDVI ot srednemnogoletnih pokazateley / S.A. Rodimcev [i dr.] // Sel'skohozyaystvennaya biologiya. 2022. № 3 (57). 2022. S. 591–603. DOI:https://doi.org/10.15389/agrobiology.2022. 3.591rus.
24. Issledovanie i prakticheskoe primenenie novyh sistem zaschity sel'skohozyaystvennyh kul'tur na osnove prognozirovaniya urozhaynosti s ispol'zovaniem spektral'nyh harakteristik aerofotos'emok i dannyh avtomaticheskoy meteostancii: otchet o NIR (registracionnyy nomer NIOKTR № 121091400023-3 ot 14.09.2021 g.). / N.E. Pavlovskaya [i dr.]; Orlovskiy GAU. Orel, 2021.
25. Pavlovskaya N.E., Gneusheva I.A., Ageeva N.Yu. Effektivnost' primeneniya bioudobreniya i novogo biostimulyatora na yarovom yachmene hordeum vulgare // Vestnik agrarnoy nauki. 2021. № 1 (88). S. 48–55. DOI: 10.17238/ issn2587-666X.2021.1.48.
26. Pavlovskaya N.E., Kostromicheva E.V., Boeva O.P. Vliyanie komponentov biopreparatov na razvitie i antioksidantnuyu aktivnost' zernobobovyh kul'tur // Vestnik IrGSHA. 2021. № 103. S. 21–31. DOI: 10.51215/ 1999-765-2021-103-21-31.
27. Antioksidantnaya aktivnost' pshenicy ozimoy pri obrabotke biopreparatom «Nigor++» / N.E. Pavlovskaya [i dr.] // AgroEkoInfo. 2021. № 6. URL: http://agroecoinfo.ru/ STATYI/2021/6/st_633.pdf.
28. Geoportal GK «SkanEks». M., 1997–2022. URL: http://www.scanex.ru/cloud/kosmosagro (data obrascheniya: 18.05.2022).
29. ScanEx Geomixer. 2001–2022. URL: http://geo–mixer.ru/ (data obrascheniya: 20.05.2022).
30. Bioprocess Control: Current Progress and Future Perspectives / A. Rathore [et al.] // Life. 2021. № 11. P. 557. DOI:https://doi.org/10.3390/life 11060557.
