По всем вопросам звоните:

+7 495 274-22-22

Современные методы оценки полегания зерновых культур

Захарова Н. И. Е-mail: smedia@vim.ru, ФГБНУ ФНАЦ ВИМ
Кривко С. И. ФГБНУ ФНАЦ ВИМ

Полегание сельскохозяйственных культур значительно снижает урожайность и качество зерна, а также эффективность механизированной уборки урожая. Регулярный мониторинг зерновых позволяет вовремя определить полегание растений и принять превентивные меры для сокращения будущих полеганий. Применение нейронных сетей глубокого обучения позволяет автоматизировать процесс обнаружения мест полегания зерновых культур на изображениях и цифровых картах с беспилотных воздушных судов.

Литература:

1. Shrikant H., Bhagat A., Ashish K. Remote sensing revolution: mapping land productivity and vegetation trends with unmanned aerial vehicles (UAVs) // Current applied materials. — 2024. — V 3. — P. 185–92. DOI: 10.2174/0126667 312288014240129080801.

2. Niu Y., Chen T., Zhao C., Zhou M. Lodging prevention in cereals: Morphological, biochemical, anatomical traits and their molecular mechanisms, management and breeding strategies // Field Crops Research. — 2022. — V. 289. 108733. DOI: 10.1016/j.fcr.2022.108733.

3. Образцов В. Н., Кадыров С. В., Федотов В. А. Способы раннего прогнозирования полегания злаковых культур по признакам прочности главного стебля // Вестник Воронежского государственного аграрного университета. — 2020. — № 1 (64). — С. 61–68. DOI: 10.17238/issn2071-2243.2020.1.61.

4. Агеева Е. В., Леонова И. Н., Лихенко И. Е. Полегание пшеницы: генетические и экологические факторы и способы преодоления // Вавиловский журнал генетики и селекции. — 2020. — № 24 (4). — С. 356–362. DOI: 10.18699/VJ20.628.

5. Оценка состояния посевов озимой пшеницы по фазам вегетации в условиях Центрального района Нечерноземной зоны / Отв. П.В. Дацюк, О. А. Антошина, В. И. Петракова, В. З. Веневцев. — Рязань, 2007. — 38 с.

6. Курбанов Р. К., Захарова О. М. Рекомендации по предполетной подготовке БПЛА // Электротехнологии и электрооборудование в АПК. — 2020. — Т. 67. — № 1 (38). — С. 93–98. DOI: 10.22314/2658-4859-2020-67-193-98.

7. Лобачевский Я. П., Дорохов А. С. Цифровые технологии и роботизированные технические средства для сельского хозяйства // Сельскохозяйственные машины и технологии. — 2021. — № 15 (4). — С. 6–10. DOI: 10.22314/2073-7599-2021-15-4-6-10.

8. Лобачевский Я. П., Бейлис В. М., Ценч Ю. С. Аспекты цифровизации системы технологий и машин // Электротехнологии и электрооборудование в АПК. — 2019. — № 3 (36). — С. 40–45.

9. Ценч Ю. С., Курбанов Р. К. История развития систем управления беспилотных воздушных судов // Сельскохозяйственные машины и технологии. — 2023. — Т. 17. — № 3. — С. 4–15. DOI: 10.22314/2073-7599-202317-3-4-15.

10. Курбанов Р. К. Алгоритм расчета времени полета беспилотного воздушного судна для проведения аэросъемки // Сельскохозяйственные машины и технологии. — 2023. — Т. 17. — № 1. — С. 35–40. DOI: 10.22314/2073-7599-2023-17-1-35-40.

11. 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.

12. Григулецкий В. Г. О полегании злаковых растений и методиках оценки устойчивости их стеблей // Международный сельскохозяйственный журнал. — 2020. — № 1. — С. 62–67. DOI: 10.24411/2587-6740-2020-11014.

13. Мальчиков Н. О., Ботвич И. Ю., Емельянов Д. В. Определение высоты растений сельскохозяйственных культур на основе измерений беспилотных воздушных судов // Вестник КрасГАУ. — 2020. — № 12 (165). — С. 46–53. DOI: 10.36718/1819-4036-2020-12-46-53.

14. Личман Г. И., Коротченя В. М., Смирнов И. Г., Курбанов Р. К. Концепция точного земледелия на основе понятий идеального поля и цифрового двойника // Электротехнологии и электрооборудование в АПК. — 2020. — № 67. — № 3 (40). — С. 81–86. DOI: 10.22314/2658-4859-2020-67-381-86.

15. Никифорова Е .С., Курбанов Р. К. Использование имитационного моделирования в разработке систем поддержки принятия решений на предприятиях АПК // Сборник научных докладов ВИМ. — 2008. — Т. 2. — С. 208–216.

16. Краснощеков Н. В. Факторы производительности труда в сельскохозяйственном производстве / Н.В. Краснощеков, М.Н. Костомахин // Машинно-технологическое обеспечение повышения производительности труда в растениеводстве и животноводстве: сборник научных докладов XIII Международной научно-практической конференции «Новые технологии и техника для ресурсосбережения и повышения производительности труда в сельскохозяйственном производстве», Москва, 5–6 октября 2005 г. — М.: Всероссийский научно-исследовательский институт механизации сельского хозяйства, 2005. — Т. 1. — С. 91–99. EDN UQAVQV.

17. Проект цифровой системы для диагностирования ресурсоопределяющих узлов коробок перемены передач с гидравлическим управлением мобильных энергетических средств / А.С. Дорохов, М.Н. Костомахин, Н.А. Петрищев и др. // Технический сервис машин. — 2019. — № 4 (137). — С. 83–95. EDN NQQDFS.

18. Костомахин М. Н. Программный комплекс для дистанционного контроля узлов и агрегатов / М.Н. Костомахин, Е. В. Пестряков // Сельскохозяйственные машины и технологии. — 2022. — Т. 16. — № 4. — С. 19–25. DOI: 10.22314/2073-7599-2022-16-4-19-25. EDN CLKZMK.

19. Совершенствование мониторинга системы «Человек — Машина — Среда» и правил эксплуатации для повышения эксплуатационной надежности тракторов / Н. А. Петрищев, М.Н. Костомахин, А.С. Саяпин, И.Б. Ивлева // Технический сервис машин. — 2020. — № 3 (140). — С. 12–20. DOI: 10.22314/2618-8287-2020-58-312-20. EDN XFGLUF.

20. Kurbanov R., Bugaev N., Mesh kov A., Krivko S. Algorithm for recognizing and measuring parameters of biological objects in agriculture based on deep learning convolutional neural networks // E3S Web of Conferences, Rostov-on-Don, 20–23 октября 2020 г. — Rostov-on-Don, 2020. — P. 10006. DOI: 10.1051/e3sconf/202021710006.

21. Kurbanov R. K., Zakharova N. I. Determination of Spring Barley Lodging Area with Help of Unmanned Aerial Vehicle // Smart Innovation, Systems and Technologies. — 2022. — V. 245. — P. 247–257. DOI: 10.1007/978-981-163349-2_21.

22. Li W., Yu X., Chen C., Gong Q. Identification and localization of grape diseased leaf images captured by UAV based on CNN // Computers and Electronics in Agriculture. — 2023. — № 214. — Р. 108277. DOI: 10.1016/j. compag.2023.108277.

23. Pandey A., Jain K. An intelligent system for crop identification and classification from UAV images using conjugated dense convolutional neural network // Computers and Electronics in Agriculture. — 2022. — № 192. — 106543. DOI: 10.1016/j. compag.2021.106543.

24. Ishengoma F. S., Rai I. A., Ngoga S. R. Hybrid convolution neural network model for a quicker detection of infested maize plants with fall armyworms using UAV-based images // Ecological Informatics. — 2022. — № 67. — Р. 101502. DOI: 10.1016/j. ecoinf.2021.101502.

25. Boroujeni S. P. H., Razi A., Khoshdel S., Afghah F. A comprehensive survey of research towards AI-enabled unmanned aerial systems in pre-, active-, and post-wildfire management // Information Fusion. — 2024. — № 108. — Р. 102369. DOI: 10.1016/j. inffus.2024.102369.

26. Ishengoma F. S., Rai I. A., Ngoga S. R. Hybrid convolution neural network model for a quicker detection of infested maize plants with fall armyworms using UAV-based images // Ecological Informatics. — 2022. — № 67. — 101502. DOI: 10.1016/j. ecoinf.2021.101502.

27. Pokładowe mierniki-wskaźniki do monitorowania stanu technicznego ciągników energochłonnych / N.M. Kostomakhin, V. I. Tseiko, M.N. Kostomakhin et al.; Под науч. ред. В. Романюка // Проблемы интенсификации животноводства с учетом охраны окружающей среды и производства альтернативных источников энергии, в том числе биогаза. — Варшава: Технолого-природоведческий институт, национальный исследовательский институт, 2021. — Vol. XXVII. — P. 71–82. EDN RRHYSN.

28. Kostomakhin M. N. Impact of digitalization on the effectiveness of management in the field of agricultural development / M. N. Kostomakhin, N.M. Kostomakhin, M. Tseiko // E3S Web of Conferences: International Scientifi c Siberian Transport Forum — TransSiberia 2023, Novosibirsk, Russia, 16–19 мая 2023 года. Vol. 402. — Novosibirsk: EDP Sciences, 2023. — P. 13004. DOI: 10.1051/e3sconf/202340213004. EDN FKEHYM.

29. Influence of root feeding fertilizers on yield and quality of winter wheat grain in conditions of the central zone of Orenburg region / G. F. Yartsev, R.K. Baikasenov, T.P. Aysuvakova et al. // IOP Conference Series: Earth and Environmental Science: 2, Moscow, 17–20 июня 2021 г. — Moscow, 2021. — P. 012040. DOI: 10.1088/17551315/901/1/012040. EDN GZWXYG.

Полегание сельскохозяйственных культур значительно снижает урожайность и качество зерна, а также эффективность механизированной уборки урожая. Полегание зерновых культур делят на две группы: стеблевое и корневое полегание. Стеблевое полегание связано с высотой растений, диаметром и толщиной стебля, прочностью верхних и нижних междоузлий, толщиной стенок стебля, накоплением лигнина и целлюлозы в стенке стебля, а также массой колоса. Стеблевое полегание может произойти во всех междоузлиях, когда давление изгиба превышает диапазон способности изгиба стебля. Корневое полегание связано со структурным нарушением системы крепления корней в почве у растения. Полегшие растения в большей степени подвержены заражению грибковыми заболеваниями, что затрудняет развитие и созревание зерна [1].

Полегание представляет угрозу на различных стадиях роста растений. Потери урожая вследствие полегания на посевах озимой и яровой пшеницы колеблются от 10 до 50 % и зависят от фазы полегания. Наибольший ущерб от полегания получается в середине сезона, когда происходит формирование колоса и налив зерна [2]. Полегание посевов на стадиях колошения и молочной спелости приводит к потери до 35 % урожайности. В конце сезона потери урожая меньше, но также весьма значительны, для фазы восковой спелости — до 20 %, для фазы полной спелости зерна — до 15 % [3].

Согласно методике «Оценка состояния посевов озимой пшеницы по фазам вегетации в условиях Центрального района Нечерноземной зоны», при учете полегания посевов рекомендуется использовать глазомерную оценку по пятибалльной шкале:

1 — очень сильное полегание, машинная уборка невозможна;

2 — сильное полегание, затрудняющее уборку;

3 — среднее — стебли наклонены приблизительно на 45°;

4 — слабое — стебли слегка наклонены;

5 — полегания нет, стебли стоят вертикально [4].

Дополнительно к глазомерной оценке используют балл устойчивости стебля к полеганию Б (1.1). Данный показатель способствует повышению объективности глазомерной оценки.

Для Цитирования:
Захарова Н. И., Кривко С. И., Современные методы оценки полегания зерновых культур. Сельскохозяйственная техника: обслуживание и ремонт. 2025;3.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: