Отраслевая сеть инноваций в АПК

МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА РОССИЙСКОЙ ФЕДЕРАЦИИ​

 Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Титульный лист и исполнители

РЕФЕРАТ

Отчет содержит 118 с., 12 табл., 69 рис.

ТОЧНОЕ ЗЕМЛЕДЕЛИЕ, ИНДЕКС NDVI, ЦИФРОВАЯ МОДЕЛЬ МЕСТНОСТИ, КРОНА ПЛОДОВОГО ДЕРЕВА, ФЛУОРЕСЦЕНЦИЯ ХЛОРОФИЛЛА, КОНЦЕНТРАЦИЯ КИСЛОРОДА.

В отчете изложены результаты работы за 2019 год об использовании цифровых технологий по с целью производства, оценки урожая, сбора, хранения сельскохозяйственной продукции.

Цель работы – обоснование и применение эффективных цифровых технологий для производства сельскохозяйственной продукции, ее сбора, первичной обработки и хранения, с обеспечением сохранности исходных свойств и повышением продуктивности.

С учетом того, что одним из основных признаков состояния растений является его спектральная отражательная способность, были проведены исследования вегетационного индекса растительности.

На основе проведенного анализа литературных источников определено, что одним из наиболее перспективных параметров для оценки посевов является так называемый индекс NDVI (Normalized Difference Vegetation Index), представляющий собой простой показатель количества фотосинтетически активной биомассы, для растительности данный индекс принимает положительные значения в пределах от 0,2 до 0,9, и чем больше зелёная фитомасса растений в момент измерения, тем значение NDVI ближе к единице, вместе с тем, ввиду относительности данного параметра не возможно оценить абсолютное значение биомассы зеленых листьев однако, можно достоверно оценить, насколько хорошо или плохо развивается посев.

С использованием беспилотного летательного аппарата с различными камерами были получены спектральные снимки на основании которых сформированы карты агроценозов двух основных типов – для поля и сада.

Аэрофотосъемка сельхозугодий производилась на территории Мичуринского района, принадлежащей ФГБОУ ВО Мичуринскому ГАУ. Обработка полученных изображений производилась с использованием соответствующего программного обеспечения, с помощью которого формировалась цифровая модель местности поля или сада. При наличии данной цифровой модели созданы 3D модели элементов поля и выполнены измерения расстояний до поверхности земли, сооружений, древесно-кустарниковой растительности, на основании полученных данных сформированы ортофотопланы как исследуемого поля так и интенсивного сада. По построенному ортофотоплану, с достаточной точностью определялась реальная площадь, участки с плохой всхожестью, заболоченные участки, эти данные позволяли оптимизировать расход удобрений, например на отдельных участках поля их внесение было определено не целесообразным ввиду особенностей рельефа и полученных значений вегетационных индексов.

В течение всего 2019 года ежемесячно производилась аэрофотосъемка интенсивного сада НОЦ им. В.И. Будаговского целью этих исследований являлось категорирование деревьев сада на два основных типа – дерево, имеющее сформированную крону и дерево имеющее несформированную крону, с использованием соответствующих онлайн-сервисов были получены проекции крон указанных типов, выявлено, что 8% деревьев имеют плохо сформированную крону, данные деревья были выявлены и определены агротехнологические мероприятия для каждого из полученной выборки.

Определено, что важнейшим параметром для обеспечения сохранности плодов является наличие в них гидролизуемого крахмала, уровень содержания которого можно определить по индексу йодкрахмальной пробы, значение данного индекса как правило определяют визуально, что повышает субъективность оценки и, как следствие, неточно получаемых результатов, в этой связи исследования направленные на определение степени зрелости плодов по йодкрахмальной пробе с использованием новой комбинированной автоматизированной системы являются весьма актуальными. В лаборатории прогрессивных технологий хранения фруктов и овощей были проведены исследования по оценке йодкрахмальной пробы с использованием программного обеспечения и прибора «Amilon» компании Isolcell, полученные данные исключают субъективное восприятие при проведении оценки, характеризуются высокой точностью и скоростью проведения анализа, исследования показали, что индексы ЙКП полученные на приборе «Amilon» отличаются от данных полученных при визуальном определении с использованием 5-и бальной шкалы не более чем на 0,2 балла.

В ходе разработки экологически безопасной технологии хранения яблок были получены предварительные данные по стрессовым и минимально допустимым (предельным) концентрациям кислорода для исследуемых сортов, хранение яблок сортов Жигулевской, Лобо и Лигол в регулируемой атмосфере с концентрацией кислорода 1,5% (ULO) обеспечивает значительно лучшее сохранение твердости плодов и более эффективную их защиту от поражения физиологическими заболеваниями по сравнению с обычной атмосферой.

Для всех изучаемых сортов динамическая регулируемая атмосфера, в которой концентрация кислорода поддерживается на минимально допустимом для сорта уровне (Жигулевское -0,5%, Лигол – 0,5 %, Лобо – 0,6 %,) обеспечивает максимальную сохранность исходной твердости и надежную защиту яблок от поражения физиологическими и грибными заболеваниями.

Были проведены исследования по выявлению особенностей взаимосвязи данных дистанционного мониторинга посевов с их состоянием, результаты которых можно использовать при составлении рекомендаций по уходным мероприятиям. В ходе указанных работ было выявлено, что часть исследованных посевов были в угнетенном состоянии в следствии вымокания и выпревания из – за продолжительного застоя воды после весенних паводков, также заметны были высохшие русла ручья, что способствовало вымыванию плодородного слоя почвы в сторону ближайшего водоисточника. На данных участках вегетационный индекс NDVI был ниже чем у соседней здоровой растительности. Также имелись участки, в которых растительность имела низкий показатель, в следствии плохой агротехнической работы.

Вегетационный индекс посевов озимой пшеницы, рассчитанный на основе данных дистанционного зондирования, отражает процесс формирования урожая зерна. Среднее значения индекса NDVI на исследуемом поле в 2019 г. составило 0,6 – 0,65, данный показатель довольно информативен для оценки физиологического состояния посевов и прогнозирования продуктивности сельскохозяйственных культур. Были построены регрессионные модели зависимости урожая зерна озимой пшеницы от NDVI за вегетативно-генеративный период с высоким уровнем достоверности.

ТЕРМИНЫ И ОПРЕДЕЛЕНИЯ

В настоящем отчете о НИР применяются следующие термины с соответствующими определениями:

Точное земледелие (GPS, датчики, дроны) – широкий спектр технологий от планирования посева и подготовки почвы, мониторинга состояния и управления посевом, контроля уровня влажности, минерализации почвы и температурного режима до сбора урожая.

NDVI (Normalized Difference Vegetation Index) – вегетационный относительный индекс, простой показатель количества фотосинтетически активной биомасы (обычно называемый вегетационным индексом).

Беспилотный летательный аппарат – это летательный аппарат, выполняющий полет без пилота (экипажа) на борту и управляемый в полете автоматически, оператором с пункта управления или сочетанием указанных способов.

Система точного земледелия – наукоемкая технология, включающая в себя новые методы и приемы ведения сельскохозяйственного производства, мобильные комплексы, приборы и программные продукты для анализа данных и решения определенных задач.

Электронная карта – средство инвентаризации земель, определяющее ресурсный потенциал земель хозяйств и позволяющее точно рассчитать нормы расхода топливосмазочных материалов, нормы внесения удобрений и средств защиты растений в зависимости от площади.

Регулируемая атмосфера – способ хранения в холодильных камерах при пониженной концентрации кислорода и повышенной – углекислого газа.

Интенсивность дыхания – выделение продукцией СО2 или поглощение О2 за единицу времени, отнесенное к единице ее массы (мгСО2/кг×ч, мгО2/кг×ч)

Степень зрелости – физиологическое состояние плодов на момент съема.

Оптимальный срок съема плодов для закладки на хранение – период, когда происходит сбалансирование процесса накопления органических веществ в плодах и расхода их в результате жизнедеятельности.

Твердость плодов – усилие проникновения плунжера диаметром 11 мм в перпендикулярном направлении в плод на глубину 5 мм.

Флуоресценция хлорофилла – высвечивание поглощенной хлорофиллом энергии при переходе возбужденной светом молекулы в основное (стационарное) состояние. При этом излучаемый свет всегда имеет большую длину волны, чем поглощенный.

Низкокислородный стресс – нарушение нормальных процессов метаболизма продукции при понижении концентрации кислорода ниже определенного уровня.

Нижний предел концентрации кислорода – концентрация кислорода, при которой биологические системы плода отвечают стрессовой реакцией.

Цифровое сельское хозяйство – сельское хозяйство, базирующееся на современных способах производства сельскохозяйственной продукции и продовольствия с использованием цифровых технологий (интернет вещей, робототехника, искусственный интеллект, анализ больших данных, электронная коммерция и др.), обеспечивающих рост производительности труда и снижение затрат производства.

Искусственный интеллект – свойство интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека.

Интернет вещей – концепция вычислительной сети физических предметов (вещей), оснащённых встроенными технологиями для взаимодействия друг с другом или с внешней средой, рассматривающая организацию таких сетей как явление, способное перестроить экономические и общественные процессы, исключающее из части действий и операций необходимость участия человека.

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ

В настоящем отчете о НИР применяют следующие сокращения и обозначения:

ВИ – вегетационный индекс

БПЛА – беспилотный летательный аппарат

ЦММ – цифровая модель местности

РА – регулируемая атмосфера

ULO – регулируемая атмосфера с ультранизким содержанием кислорода

DCA – динамическая (адаптивная) регулируемая атмосфера

ИКП – индекс йодкрахмальной пробы

ΔА-индекс – оптический показатель содержания хлорофилла в плодах

СРВ – концентрация сухих растворимых веществ

F0, Fm, Fv – соответственно фоновая, максимальная и переменная флуоресценция хлорофилла в состоянии, адаптированном к темноте

СЗР – средства защиты растений

NIR – ближняя инфракрасная область спектра электромагнитных волн

RED – красная область спектра электромагнитных волн;

ДДЗ – дистанционное зондирование Земли

ВВЕДЕНИЕ

В настоящее время активно развиваются направления в сфере сельскохозяйственного производства, позволяющие изменять традиционные технологии на высокотехнологичное производство, данные получаемые от различных датчиков и устройств автоматизированного контроля (метеонаблюдения, датчики контроля за состоянием животных, датчики позиционирования и т.д.) позволяют вывить определенные закономерности для роста и развития растении и животных, эксплуатации сельскохозяйственной техники, а следовательно попытаться управлять основными процессами в сельском хозяйстве.

По данным Росстата, в 2017 г. объем инвестиций в цифровизацию сельского хозяйства и внедрение информационных технологий составил около 0,2% от всего объема инвестиций в данную сферу (или 0,85 млрд руб.). Это самый низкий показатель по отраслям, что свидетельствует о низком уровне цифровизации отечественного сельского хозяйства, однако он показывает, что отрасль обладает наибольшим потенциалом для инвестиций в ИКТ-технологии [1, 2].

По предварительной оценке, общий минимальный экономический эффект от внедрения технологии IoT в сельском хозяйстве за период до 2025 г. может составить около 469 млрд руб. благодаря оптимизации затрат на персонал, сокращению потерь урожая сельскохозяйственных культур и горюче-смазочных материалов [2, 3].

По экспертной оценке, в течение сезона фермеру приходится принимать более 40 различных решений: какие семена сажать и когда, как вести обработку, чем лечить заболевшее растение и другие в ограниченные промежутки времени. Многие из этих решений являются объектами цифровизации.

По данным Минсельхоза, Россия занимает 15 место в мире по уровню цифровизации сельского хозяйства, а рынок информационно-компьютерных технологий в отрасли оценивается в 360 млрд руб. [3, 4].

Несмотря на возросшие, благодаря импортозамещению, показатели внутреннего производства сельхозпродукции, эффективность отечественного сельского хозяйства заметно уступает крупнейшим экономикам мира. В России валовая стоимость сельхозпродукции на одного работника в 2015 г. составила 8 тыс. долл., в Германии – 24 тыс., в США – 195 тыс. долл. В числе существующих проблем в области ИТ в агропромышленном комплексе – острая нехватка кадров (специалистов) и зависимость от импортных технологий (порядка 95% технологий в сельском хозяйстве – зарубежные). В нашей стране только 10% пашни обрабатывается с применением цифровых технологий [5, 6]. Неиспользование новых технологий приводит к потере до 40% урожая. Учитывая необходимость преодоления технологического отставания от развитых стран, предполагается, что доля рынка цифровых технологий в сельском хозяйстве будет расти с каждым годом, к 2026 г. рынок информационно-компьютерных технологий в отрасли должен вырасти минимум в 5 раз [2, 3, 5, 7].

В рамках реализации ведомственного проекта «Цифровое сельское хозяйство» Минсельхоза России [8] планируется развивать сети широкополосного доступа и телеметрической инфраструктуры, как одного из основных технологических элементов цифровых систем, формировать стандарты интернета вещей, а также логистики снабжения и доставки продукции сельского хозяйства потребителям.

В соответствии с «дорожной картой» по НТИ [9] планируется, что российские компании должны активно включаться в реализацию стратегии «умное» сельское хозяйство, где используются автоматизация, искусственный интеллект, «большие данные». Будет организовано масштабирование отечественных комплексных цифровых агрорешений для таких предприятий АПК, как «умная ферма», «умное поле», «умное стадо», «умная теплица» и др.

Вместе с тем, по мнению экспертов, ключевыми барьерами развития IoT в России является низкий уровень компетенций по созданию, внедрению и эксплуатации технологических решений в сочетании с существенной зависимостью от импорта. Сопутствующими ограничениями являются низкий уровень готовности технологий, высокая стоимость, отсутствие видимых экономических эффектов от их внедрения [2, 10, 11].

Ускорение цифровых преобразований в сельском хозяйстве, формирования цифрового аграрного сектора экономики в значительной степени зависит от инвестиционного климата в стране, увеличения инвестиций в отрасль. За последние пять лет общий мировой объем инвестиций в цифровые технологии для нужд сельского хозяйства достиг 10,1 млрд долл. Россия занимает пока только 1,5% от мирового объема интернета вещей, а в сельском хозяйстве доля еще ниже [2, 6].

Эксперты компании «J’son & Partners Consulting» оценивают, что благодаря технологиям точного земледелия, основанным на интернете вещей, можно получить всплеск урожайности такого масштаба, какого человечество не видело даже во времена появления тракторов, изобретения гербицидов и генетически изменённых семян. Применение технологий нового поколения способно повысить производительность мирового сельского хозяйства к 2050 г. на 70% [2].

Цифровизация и автоматизация максимального количества сельскохозяйственных процессов входят как осознанная необходимость в стратегии развития крупнейших агропромышленных и машиностроительных компаний в мире.

Целью данной научно-исследовательской работы является обоснование и применение эффективных цифровых технологий для производства сельскохозяйственной продукции, ее сбора, первичной обработки и хранения, с обеспечением сохранности исходных свойств и повышением продуктивности.

Для реализации поставленной цели необходимо решить следующие задачи:

  • провести исследования, направленные на использование БПЛА в сельскохозяйственном производстве с целью управления продукционным процессом интенсивных садов, полей, их цифровизацией, а также своевременное реагирование на проявление абиотических (климатических) факторов, отрицательно влияющих на их развитие;
  • разработать алгоритм обнаружения несформировавшихся крон плодовых деревьев в интенсивном саду;
  • определить эффективность методики оценки плодов яблони перед закладкой на длительное хранение;
  • разработать способы увеличения сроков хранения сельскохозяйственной продукции с максимальным сохранением ее качественных показателей и химического состава;
  • провести исследования по разработке методики прогнозирования урожайности озимой пшеницы с использованием вегетационного индекса.

 

1 РАЗРАБОТКА КАРТ АГРОЦЕНОЗОВ В ПОЛЕВОДСТВЕ И САДОВОДСТВЕ РАЗРАБОТКА КАРТ АГРОЦЕНОЗОВ В ПОЛЕВОДСТВЕ И САДОВОДСТВЕ

1.1 Анализ и эффективность технологий точного земледелия

Главная цель точного земледелия при производстве сельскохозяйственных культур – максимизация урожая, финансовых выгод и минимизация вложений капитала, воздействия на окружающую среду.

Точное земледелие, представляет собой высокотехнологичную систему сельскохозяйственного менеджмента, включающую в себя технологии глобального позиционирования (GPS), географические информационные системы (GIS), технологии оценки урожайности (Yield Monitor Technologies), переменного нормирования (Variable Rate Technology), дистанционного зондирования земли (ДЗЗ) и направленную на получение максимального объема качественной и наиболее дешевой сельскохозяйственной продукции с учетом норм экологической безопасности [12, 13].

В зависимости от временного соотношения между сбором информации и применением соответствующих агротехнических мероприятий различают:

  • двухэтапные подходы (off-line) или подходы на основе картирования;
  • одноэтапные подходы (on-line) или подходы с принятием решений в реальном масштабе времени («real-time») или сенсорные подходы;
  • различные комбинации одно- и двухэтапных подходов или сенсорный подход с поддержкой картированием (map overlay) [13-16].

Применение точного земледелия требует учета дополнительных затрат, среди которых можно выделить категории:

  • затраты на сбор данных (карты, глобальные системы позиционирования (ГСП), сенсоры);
  • затраты на менеджмент данных (техника и программное обеспечение);
  • затраты на специальную технику для точного выполнения агроприемов и навигацию (ГСП-управляемые машины и оборудование для дифференцированной обработки почвы, посева, внесения удобрений, средств защиты растений и др.) [13-15].

Большинство современных подходов к экономическому анализу точного земледелия сводится к оценке применения техники точного земледелия и соответствующих технологий при выращивании отдельной сельскохозяйственной культуры [16, 17]. Вместе с тем очевидно, что общий агроэкономический эффект от интеграции технологий точного земледелия в масштабах хозяйства с учетом синергетических эффектов будет более высоким по сравнению с использованием отдельных технологических приемов.

Основой научной концепции точного земледелия являются представления о существовании неоднородностей в пределах одного поля. Для оценки и детектирования этих неоднородностей используют новейшие технологии, такие как системы глобального позиционирования (GPS, ГЛОНАСС), специальные датчики, аэрофотоснимки и снимки со спутников, а также специальные программы, разработанные для агроменеджмента. Полученные данные применяют для планирования посева, расчета норм внесения удобрений и средств защиты растений, более точного предсказания урожайности и финансового планирования [18-20].

Применение технологий точного земледелия и формирование карт агроценозов позволяет оптимизировать затраты на внесение удобрений, обработку почвы, применение средств защиты растений.

Использование данных и программного обеспечения для составления карт урожайности является наиболее распространенной практикой (80%), за которой следует разработка планов или предписаний для применения VR-технологии для внесения питательных веществ и удобрений, а также для посева и посадки (50-60%) [2, 6], рисунок 1.1.

элементы точного земледелия, в т.ч. индекс NDVI

Рисунок 1.1 – Рейтинг востребованности элементов точного земледелия и интернета вещей, баллы (от 0 до 100) [2]

Одной из технологий точного земледелия является применение оборудования для создания электронных карт полей путем наземных измерений или с помощью беспилотных летательных аппаратов, аэро- или космической съемки.

При составлении карт качества почв отдельных полей можно ввести дифференциальное внесение средств защиты растений и удобрений в различных частях поля, что позволяет значительно сэкономить на внесении удобрений и СЗР и не перенасыщать ими почву. Карта дает возможность вести паспорта полей и севооборот хозяйства, подсчитать нужное количество семенного материала, осуществлять мониторинг техники и определять не только расход топлива, но и эффективность использования рабочего времени, позволяет вести базу данных неограниченное время и по нескольким показателям и др.

Точное земледелие призвано оптимизировать операционные расходы и повысить урожайность (в среднем на 15–20%) путем сокращения объемов используемых семян, агрохимикатов, удобрений и воды; более эффективного использования земли: с учетом особенностей того или иного участка определяются агрокультура с наибольшей урожайностью, а также оптимальная методика выращивания и ухода для максимизации урожайности [2, 5, 18].

Ключевыми элементами системы точного земледелия являются: беспилотные летательные аппараты (БПЛА), дистанционное зондирование земли (ДЗЗ), использование датчиков GPS и ГЛОНАСС.

Использование БПЛА имеет огромный потенциал для сельскохозяйственного производства, позволяет не только проводить оценку урожайности и выявлять потенциальные проблемные участки поля, но и обеспечивать эффективное внесение удобрений, обработку растений гербицидами и защитными препаратами, оценивать состояние почвенного покрова.

Для контроля свойств почвы, наблюдением состояния растительного покрова на больших площадях, использование дистанционного зондирования применяется с середины прошлого века. С помощью анализа данных изображений аэрокосмической сьемки проведены исследования по определению органического состава почв, содержания гумуса, определение влажности, температуры, засоления, и оценка деградации почв. Анализ помогает созданию рекомендации проведения мероприятий по улучшению показателей эффективности производства.

1.2 Оценка существующих вегетационных индексов (в т.ч. индекс NDVI) и применение беспилотных летательных аппаратов для создания цифровых карт агроценозов

Использование БПЛА для создания актуальных карт по аэрофотоснимкам имеет ряд преимуществ: их оперативность, когда получение снимков возможно несколько раз в сутки; высокое разрешение снимков (от 1,5 см до 20 см на пиксель), одновременная оценка развития культур, состояния посевов и качества выполнения агротехнических мероприятий на основании индекса вегетации (NDVI) по данным спектральной съемки БПЛА.

К задачам мониторинга в агропромышленном комплексе можно отнести:

  • точное определение границ, инвентаризация;
  • картографирование севооборотов;
  • выявление неиспользуемых земель;
  • определение участков деградации (эрозии, засоленности, опустынивания, засухи);
  • создание почвенных карт;
  • обнаружение незаконного использования территории;
  • наблюдение за состоянием сельскохозяйственных посевов на различных этапах роста и развития;
  • мониторинг мелиоративных и гидротехнических объектов;
  • установление неоднородностей посевов сельскохозяйственных культур;
  • мониторинг лесов;
  • выявление лесных пожаров и прочие.

Данные ДДЗ широко используются для контроля лесных массивов [21, 22]. На основе спутникового мониторинга разработана система, позволяющая дать оценку таких параметров как возраст, биомасса, распространение и гибель лесного покрова. Это особенно важно для контроля состояния территориальных экосистем [21, 23].

Использование БПЛА при инвентаризации земель сокращает материальные затраты, позволяет оперативно выполнить поставленные задачи, значительно повышает качество и точность определения местонахождения объектов по координатам, что особенно важно на больших территориях проведения исследований.

Характерным признаком растительности и ее состояния является спектральная отражательная способность, характеризующаяся большими различиями в отражении излучения разных длин волн. Знания о связи структуры и состояния растительности с ее спектрально отражательными способностями позволяют использовать снимки для картографирования и идентификации типов растительности и их стрессового состояния.

Для работы со спектральной информацией часто прибегают к созданию так называемых «индексных» изображений. На основе комбинации значений яркости в определенных каналах, информативных для выделения исследуемого объекта, и расчета по этим значениям «спектрального индекса» объекта строится изображение, соответствующее значению индекса в каждом пикселе, что и позволяет выделить исследуемый объект или оценить его состояние. Спектральные индексы, используемые для изучения и оценки состояния растительности, получили общепринятое название вегетационных индексов.

В настоящее время существует около 160 вариантов вегетационных индексов (ВИ). Они подбираются экспериментально (эмпирическим путем), исходя из известных особенностей кривых спектральной отражательной способности растительности и почв [24-31].

word image 150  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

где a – угол между почвенной линией и осью NIR.

Впервые описан Richardson и Wiegand в 1977 году;

Взвешенный разностный вегетационный индекс (Weighted Difference VI, WDVI):

word image 151  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

word image 152  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Впервые описан Clavers в 1988 году.

Трансформированный вегетационный индекс (Transformed Vegetation Index TVI):

word image 153  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Впервые описан Tucker C.J. с соавторами в 1979 году;

Почвенный вегетационный индекс (Soil Adjusted VI, SAVI):

word image 154  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

где L=0 для густого растительного покрова, L=1 ‒ для очень разряженного.

Впервые описан Huete в 1988 году.

Модифицированный почвенный вегетационный индекс (Modified Soil Adjusted VI, MSAVI):

word image 155  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

где L=1-2×S×NDVI×WDVI, s – наклон почвенной линии.

Впервые описан Qi J. с соавторами в 1994 году.

Трансформированный почвенный вегетационный индекс (Transformed Soil Adjusted VI, TSAVI) Индекс глобального мониторинга окружающей среды (Global Environmental Monitoring Index, GEMI):

word image 156  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

где а – координата пересечения почвенной линии с NIR, s – наклон почвенной линии, х – коэффициент коррекции.

Впервые описан Baret F. с соавторами в 1989 году.

Вегетационный индекс, устойчивый к влиянию атмосферы (Atmospher-ically Resistant Vegetation Index, ARVI):

word image 157  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Впервые описан Rouse В.J. с соавторами в 1973 году, его концепция впервые представлена Kriegler с соавторами в 1969 году.

Вегетационный индекс NDVI ‒ наиболее популярен и часто используется. Для растительности он принимает положительные значения, и чем больше зеленая биомасса, тем он выше [25, 26, 32]

Ученые из Японии при изучении сезонных изменений некоторых физиологических показателей рощи японского бука и характеристик её спектра поглощения установили [31, 33], что содержание хлорофилла коррелирует с коэффициентом отражения в красной области, а индекс листовой поверхности (ИЛП) ‒ в инфракрасной.

Расчет большей части вегетационных индексов базируется на двух наиболее стабильных (не зависящих от прочих факторов) участках кривой спектральной отражательной способности растений, рисунок 1.2.

принцип расчета индекса NDVI

Рисунок 1.2 – Характер отражения солнечного света растениями

На красную зону спектра RED (0,62 – 0,75 мкм) приходится максимум поглощения солнечной радиации хлорофиллом, а на ближнюю инфракрасную зону NIR (0,75–1,3 мкм) максимальное отражение энергии клеточной структурой листа, то есть высокая фотосинтетическая активность (связанная, как правило, с большой фитомассой растительности) которая ведет к более низким значениям коэффициентов отражения в красной зоне спектра и большим значениям в ближней инфракрасной. Как это хорошо известно, отношение этих показателей друг к другу позволяет четко отделять растительность от прочих природных объектов [34-36].

Диапазон абсолютных значений индекса NDVI лежит в интервале от –1 до +1, рисунок 1.3

Ndvi3.gif

Рисунок 1.3 – Цветовая шкала вегетационного индекса NDVI

Для растительности индекс принимает положительные значения (примерно от 0,2 до 0,9), и чем больше зелёная фитомасса растений в момент измерения, тем значение NDVI ближе к единице. Показатель NDVI – относительный, он не показывает абсолютных значений биомассы зеленых листьев (в т/га, например), но можно достоверно оценить, насколько хорошо или плохо развивается посев [31, 36].

Вегетационный индекс NDVI изменяется весь сезон и его значения различны во время роста, цветения и созревания растений. В начале вегетационного сезона индекс нарастает, в момент цветения его рост останавливается, затем по мере созревания, NDVI снижается. В зависимости от почвенного плодородия, метеоусловий и технологии возделывания посевов скорость развития биомассы будет разной. Поэтому по среднему значению NDVI на поле легко сравнивать состояние посевов во время вегетации: на одних полях посевы развиваются быстрее (лучше), на других – медленнее (хуже) [35, 36].

Индекс NDVI дает характеристику основным показателям существующей растительности:

  • продуктивность (временные изменения);
  • биомасса;
  • влажность и минеральная (органическая) насыщенность почвы;
  • испаряемость;
  • объем выпадаемых осадков;
  • мощность и характеристики снежного покрова.

Для повышения точности оценки биофизических параметров растений, в исследовании «An Error and Sensitivity Analysis of the Atmospheric and Soil-Correcting Variants of the NDVI for the MODISEOS(Article)» было предложено несколько почвенных и атмосферно-корректирующих вариантов нормализованного разностного вегетационного индекса (NDVI) [37]. SARVI, который имел срок калибровки как почвы, так и атмосферы, показал наилучшие результаты с относительной погрешностью 10% и VEN ± 0,33 LAI. Напротив, NDVI имел относительную ошибку 20%, а VEN ± 0,97 LAI. IEEE показали наилучшие результаты с относительной погрешностью 10% и ВЭН ± 0,33 LAI. Напротив, NDVI имел относительную ошибку 20%, а VEN ± 0,97 LAI. IEEE показали наилучшие результаты с относительной погрешностью 10% и ВЭН ± 0,33 LAI. Напротив, NDVI имел относительную ошибку 20%, а VEN ± 0,97 LAI.

В исследовании «Linearized vegetation indices based on a formal statistical framework(Article)» Ünsalan, C., Boyer, K.L., [22] была разработана и представлена статистическая база ВИ NDVI. Представив индекс в виде наклона и созданных 3-х мерных и 4-х мерных моделей созданы модифицированные ВИ снижающие эффекты атмосферы. Это повлияло на точность в расчетах прогнозирования.

Методы и подходы прогнозирования урожайности с решением классификации эмпирических данных в исследовании [38], позволили выявить связь переменных NDVI и на основе статистики прогнозировать урожайность провинциальных районов Китая, с общей относительной ошибкой менее 6%.

В работе [39] используя орбитальные изображения радиометра MODIS и непрерывную имитационную модель EPIC, вычисляли основной параметр сельскохозяйственной культуры, на основе которого моделировалась биомасса из которой в свою очередь вычисляли процент прогнозируемого урожая с точностью до 1-2ц/га.

В методах, описанных в работе [40] использовалась корректировка наземных показателей, физико-химические свойства почвы, данные высоты растений, метеоданные, что в свою очередь увеличивало стоимость технологического процесса из-за большого количества входных параметров.

На территории Северо-Китайской равнины в исследовании [41] дана оценка выщелачивания нитратов. Модель «Arc-NLEAP» на основе ГИС, объединяя статистические данные позволила получить значения доступного для выщелачивания нитрата (от 8 кг/га до 474 кг/га), среднее значение 117 кг/га (74%, класс опасности N).

При помощи веб-инструмента ВЕГА-PRO, метеоданных и спутниковыми измерениями NDVI, созданы модели новых регресионных нелинейных моделей для прогноза урожайности [42]. Анализ коэффициента корреляции позволил вывить наиболее тесные связи урожайности зерновых культур и ВИ.

Урожайность сельскохозяйственных культур является важным показателем эффективности сельскохозяйственного производства. Именно поэтому прогнозирование зерновой продуктивности является важным направлением исследований с использованием данных дистанционного зондирования Земли [42].

Наиболее точный прогноз урожайности посевов по индексу NDVI можно дать в момент прохождения пика значения NDVI. Например, для посевов озимой пшеницы при возделывании по интенсивной технологии, значение NDVI во время пика достигает 0,80–0,88. Пик NDVI обычно приходится на момент начала фазы колошения [43-44].

В настоящее время существуют различные подходы к прогнозированию урожайности: оценка состояния полей по вегетационным индексам, статистическая обработка результатов мониторинга, поиск года-аналога, построение моделей роста и регрессионных зависимостей продуктивности от вегетационных индексов. При построении регрессионных моделей в качестве данных ДЗЗ используют вегетационный индекс NDVI. Авторы отмечают, что этот показатель зависит от сроков сева, состояния растений на различных этапах роста и развития и метеорологических данных.

Еще одним направлением использования данных дистанционного зондирования Земли из космоса является определения наступления засухи, выявление территории на которых распространено это явление, что позволяет более точно рассчитать материальный ущерб, нанесенный сельскохозяйственному производству. Такие исследования ведутся в Казахстане, ученые оперативно выявляют деградационные процессы, используя вегетационный индекс NDVI, а так же информацию наземных наблюдений: температура воздуха, влажность почвы, количество выпавших осадков, состояния посевов [45].

Проведенные исследования в различных регионах Российской Федерации, а так же Украины и Казахстана свидетельствуют о том, что регрессионные модели урожайности сильно зависят от почвенно-климатических условий, а, следовательно, их распространение на другие регионы не корректны. К сожалению подобных работ крайне мало, а для территории Тамбовской области они вообще отсутствуют.

Таким образом, необходимы исследования, позволяющие разработать новые и усовершенствовать существующие способы мониторинга состояния растений и оценки их продуктивности с использованием оперативной и объективной информации, которая может быть получена с беспилотного летательного аппарата для составления более точных рекомендаций по уходным мероприятиям за посевами сельскохозяйственных культур.

1.3 Организация проведения аэросъемочных работ сельскохозяйственных территорий

Аэрофотосъемка местности состоит из комплекса работ, который включает в себя разные процессы – начиная фотографированием земной поверхности с летящего самолета, заканчивая получением аэрофотоснимков, фотосхем или фотопланов снятой местности.

Она состоит из:

1. Подготовительных мероприятий, которые заключаются в проведении изучения местности, подлежащей фотографированию, подготовке карт, проектировании маршрутов полетов самолета и в производстве расчета элементов аэрофотосъемки;

2. Собственно летно-съемочных работах или фотографировании земной поверхности, используя аэрофотоаппараты;

3. Фотолабораторных работах, проявление снятой пленки и изготовление позитивов;

4. Геодезических работах – создание на местности геодезической основы, необходимой для исправления искажений аэроснимков, что возникает при аэрофотосъемке, привязке аэроснимков и для составления фотосхем и фотопланов;

5. Фотограмметрических работах, которые проводят и в полевом, и в камеральном периодах [28].

Каждый из этих процессов тесно связан друг с другом, порой взаимно перекрываются. Аэрофотосъемку каждого объекта осуществляют представители одной организации, от начала до сдачи окончательного продукта. В результате проведения данных работ, изготавливают контактные отпечатки, фотосхемы и фотопланы, которые составляют по данным геодезической основы. Все аэрофотосъемочные материалы применяют в дальнейшем, чтобы решить ряд вопросов.

На основании законодательной базы центрального проектирования, по которым изображают местность, на аэроснимке содержится ряд искажений, величина которых определяется за счет угла наклона оптической оси аэрофотоаппарата и колебанием рельефа местности. Устраняют эти искажения при их компьютерной фотограмметрической обработке, при фотографическом или цифровом преобразовании, называемом трансформированием. На основании этого, применение аэроснимков, не осуществляя их предварительное трансформирование для картографического обеспечения выполняемых работ, ограничено влиянием указанных искажений [46, 47].

Оператор, при помощи наземной станции управления, задает определенную территорию съемки, для чего требуется пространственное разрешение. В программе рассчитывают полетное задание, проверяют, как оно выполнено. Пример расчета полетного задания в ПО DJI GS PRO представлен на рисунке 1.4.

https://i.ytimg.com/vi/M79E5nrDmkY/maxresdefault.jpg

Рисунок 1.4 – Схема построения маршрута программой DJI GS PRO

DJI GS Pro (Ground Station Pro) – приложение для iPad для управления дронами и создания автоматических режимов полета для летательных аппаратов DJI. В определенных точках маршрута GS Pro автоматически сделает фотографии для получения точных карт местности. Функция Virtual Fence не позволит летательному аппарату летать выше и быстрее заданных параметров, тем самым повышая безопасность полета и облегчая процесс управления дроном. Летательный аппарат, оснащенный GS Pro, используется в сфере аэросъемки, архитектуры, точной агротехники, энергетики, борьбы со стихийными бедствиями, ликвидации последствий чрезвычайных ситуаций и т.д.

Продольное перекрытие между снимками составляет 80% и поперечное перекрытие 60 %.

Благодаря программе управления полетом БПЛА, можно выполнить следующие функции:

  1. нанести район проведения работ на пользовательскую карту;
  2. рассчитать маршруты полета БПЛА по имеющимся данным;
  3. исходя из масштаба, создаваемого ЦТП и высоты сечения рельефа местности, рассчитывают высоту полета БПЛА;
  4. исходя из параметров цифровой камеры, величины продольного и поперечного перекрытия аэрофотоснимков, максимальной и минимальной высоты рельефа в районе съемки, скорости и направление ветра – расчета времени выполнения полета, количества снимков на район съемки, скорости движения БПЛА, интервалов съемки;
  5. если для того, чтобы покрыть весь район съемки, нужно произвести несколько полетов, если старт и посадка БПЛА выполняется с разных стартовых позиций, можно провести разбивку района съемки на отдельные участки [48].

Полётное задание загружают в автопилот беспилотника.

Порядок выбора точки старта и посадки БПЛА:

  • месторасположение точки старта должно находиться с минимальным удалением от исследуемых объектов;
  • определяют направление маршрута в отношении наземной станции управления, убеждаются в том, что отсутствуют препятствия в этом направлении, а это обеспечивает прямую радиовидимость;
  • определяют направление запуска и убеждаются в отсутствии препятствий в этом направлении;
  • чтобы обеспечить безопасный запуск и посадку БПЛА, нужно достичь отсутствия препятствий: строения, мачты, вышки, заводских труб высотой более 50 м на удалении 500 м;
  • площадку посадки выбирают недалеко от точки старта, учитывая возможность оператором визуально контролировать заход на посадку и посадку БПЛА;
  • для посадки БПЛА выбирают ровный участок местности, диаметр которого не менее 50 м с травяным покрытием высотой не более 1 м; на площадке не должно быть предметов, при приземлении на которые возможно повреждение БПЛА [47].

Запускают беспилотник вертолетного типа со стартовой площадки, рисунок 1.5, он автоматически взлетает, выходит на заданную НСУ высоту и начинает выполнять полетные задания.

Во время полёта, автоматически выполняют фотосъёмку и определяют центры фотографирования при помощи GPS/ГЛОНАСС приёмника. Оператору на земле, в режиме онлайн, передают данные телеметрии (координаты, высоту, крен, тангаж и др.). Все параметры отображают на экран планшета, и оператор в онлайн режиме контролирует процесс выполнения работы, в любой момент может изменить поставленную задачу.

C:\Users\Света\AppData\Local\Microsoft\Windows\INetCache\Content.Word\P_20180306_110108.jpg

Рисунок 1.5 – БПЛА на взлетной площадке

После того, как полетное задание будет завершено, беспилотный летательный аппарат снижают до заданной высоты и он плавно снижается на посадочную площадку.

С точки зрения технической характеристики, использование БПЛА вертолетного типа позволяет сохранить коптер, бортовое оборудование, увеличить ресурс его применения.

Перед самим приземлением, получают предварительные результаты выполненной работы. Аэрофотоснимки загружают в ноутбук, применяя программное обеспечение PhotoScan, и осуществляя предварительную обработку и построение 3D модели местности, ортофотоплана и цифровой модели местности.

Создавая накидной монтаж, каждый аэрофотоснимок отображают на цифровой карте. Место расположения аэрофотоснимков на карте, их масштаб, определяют на основании координат центральной точки аэрофотоснимка, угла азимута и высоты, полученной в момент фотографирования по данным бортового GPS-приемника.

На основании результатов накидного монтажа, можно оценить такие параметры:

• есть ли пропуск аэрофотоснимков в маршруте;

• возникают ли отклонения масштаба снимков от заданного значения (не более 5 %);

• могут ли возникнуть продольное и поперечное перекрытие аэрофотоснимков;

• наличие прямолинейности маршрута. Такой показатель определяют в процентном соотношении стрелки прогиба маршрута к его длине. Стрелка не должна превышать 2 % от длины маршрута;

• показатель величины продольных углов наклона двух смежных кадров маршрута и взаимных поперечных углов наклона на перекрывающейся части двух смежных аэрофотоснимков соседних маршрутов следующие. Углы наклона не должны быть больше 3°.

1.4 Оборудование, применяемое для проведений исследований

Для проведений обследований использовался квадрокоптер DJI Inspire 1 2.0,, управление которым осуществляется дистанционно с помощью соответствующей программы на планшете. Квадрокоптер представляет собой беспилотный летательный аппарат вертолетного типа с четырьмя несущими винтами, которые размещены по углам летающей платформы, рисунок 1.6.

word image 158  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 1.6 – Внешний вид квадрокоптера DJI Inspire 1 2.0

Вращение винтов обеспечивают электромоторы, получающие питание от бортовых аккумуляторов. Квадрокоптер оборудован автопилотом, способным принимать GPS и ГЛОНАСС сигналы, что позволяет ему ориентироваться в пространстве и выполнять полеты с высокой точностью по заданным маршрутам. В блок памяти аппарата записывают маршрут полета и параметры полета. При облете воздушной линии электропередачи бортовая система диагностики аппарата изучает состояние воздушной линии электропередачи. Координаты летательного аппарата определяют с помощью приемника спутниковой навигационной системы.

Квадрокоптер выполняет съемку объекта с расстояния до 500 м (в некоторых случаях, расстояние до объекта съемки может быть сокращено до минимально допустимого). Кроме этого, при помощи квадрокоптера можно выполнить тепловизионную съемку. Продолжительность полета от 18 минут при нормальных погодных условиях.

Видеосигнал передается по цифровому каналу в формате HD и сохраняется на съемный носитель.

Технические характеристики DJI Inspire представлены в таблице 1.1.

Таблица 1.1 – Технические характеристики DJI Inspire 1 2.0.

Модель Т601
Вес (включая батарею) 2935 г
Максимальная скорость взлета 5 м/с
Максимальная горизонтальная скорость полета 22 м/с (режим Atti, без ветра)
Максимальная высота взлета над уровнем моря 500 м
Максимальное время полета Около 18 мин
Допустимая температура эксплуатации От 0 °C до 40 °C
Габариты 438×451×301

Для проведения мониторинга, проведения фото- и видеосъемки использовался подвес DJI Zenmuse X3 с видеокамерой, рисунок 1.7, для DJI Inspire 1 2.0.

Камера Zenmuse X3

Рисунок 1.7 – Подвес DJI Zenmuse X3 с видеокамерой

DJI Zenmuse X3 — высококачественная 4K-камера в форме плавно вращающегося «глаза». Основная преимущество камеры в том, что устройство интегрировано с 3-х осевым подвесом Zenmuse H4-3D на бесколлекторных моторах, который, производитель использует для комплектации представителей семейства «Phantom». Подвес обеспечивает плавную съемку вокруг своей оси даже при тряске и выполнении резких движений.

Камера Zenmuse X3 располагает передачей видео по Wi-Fi и управляется не только с отдельного пульта, если идет в комплекте, например, к Inspire 1, но и со смартфона на любой из платформ (или с планшета) посредством приложения DJI GO, позволяющего менять режимы и параметры съемки, а также сразу редактировать изображения и публиковать в соцсети. Картинка с камеры транслируется в режиме real-time на планшет или смартфон. При разрешении 1080p камера осуществляет поддержку записи до 120 кадров в секунду, тогда как при 4к – до 30. Детализация съемки очень высокая, что естественно для 4к, части изображения можно кадрировать.

К важным преимуществам этого оборудования относятся:

  • совместимость с любыми видами современных мобильных устройств;
  • возможность дистанционного управления;
  • простота эксплуатации — всего лишь нужно разблокировать все три шарнира, включить камеру, к автоматически созданной Wi-Fi сети подключить смартфон или планшет и запустить приложение DJI GO;
  • автоматический режим панорамной съемки с активацией вращения камеры на 360º нажатием всего одной кнопки;
  • безупречная выдержка без необходимости установки штатива.

Основные технические характеристики подвеса DJI Zenmuse X3 с видеокамерой приведены в таблице 1.2.

Таблица 1.2 – Технические характеристики DJI Zenmuse X3

Наименование параметра Единица измерений
МАТРИЦА
1 Размер 6,17×4,55 мм
2 Тип CMOS
3 Число эффективных пикселей 12,4 Мп
4 Диапазон ISO 100-3200
ПАРАМЕТРЫ ФОТОСЪЕМКИ
1 Макс. разрешение фотографии 12,4 Мп
2 Серийная съемка 7 кадров/с
3 Диапазон выдержки 8-1/8000 с
4 Динамический диапазон -3~+3, 1/3
5 Экспокоррекция По умолчанию
6 Interval Support
7 Таймлапс 5/7/10/20/30 с
8 DNG По умолчанию

Для определения вегетационного индекса использовался подвес DJI Zenmuse X3 со спектральной камерой NDVI, рисунок 1.7.

word image 159  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 1.7 – Подвес DJI Zenmuse X3 со спектральной камерой NDVI

Основные технические характеристики подвеса DJI Zenmuse X3 NDVI камерой приведены в таблице 1.3.

Таблица 1.3 – Технические характеристики DJI Zenmuse X3 NDVI

Наименование параметра Единица измерений
МАТРИЦА
1 Размер 6,17 ×4,55 мм
2 Тип CMOS
3 Число эффективных пикселей 12,4 Мп
4 Диапазон ISO 100-3200
5 Спектральный диапазон (0.63-0.69 мкм), (0.76-0.90 мкм)
ПАРАМЕТРЫ ФОТОСЪЕМКИ
1 Макс. разрешение фотографии 12,4 Мп
2 Серийная съемка 7 кадров/с
3 Диапазон выдержки 8-1/8000 с
4 Динамический диапазон -3~+3, 1/3
5 Экспокоррекция По умолчанию

На рисунке 1.8 представлена спектральная кривая камеры Zenmuse X3 NDVI.

word image 160  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 1.10 – Спектральные каналы камеры Zenmuse X3 NDVI

1.5 Обработка и анализ полученных данных с БПЛА

Создание цифровой модели местности

Фотограмметрическая обработка изображений при помощи специального ПО позволяет получить цифровую модель местности (ЦММ) поля. При наличии ЦММ созданы 3D модели элементов поля и выполнены измерения расстояний до поверхности земли, сооружений, древесно-кустарниковой растительности. Съемка производилась при помощи вышеописанного квадрокоптера DJI, оборудованного камерой с расстояния 30 – 100 м.

Аэрофотосъемка сельхозугодий производилась на территории Мичуринского района, принадлежащей ФГБОУ ВО Мичуринскому ГАУ. Зона полетов приведена на рисунке 1.11 [49].

Природно-климатические условия исследуемого участка поля приведены в таблице 1.4.

word image 161  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI) Полетная зона имеет следующие координаты:

1) 53°01’32.9″N 40°31’55.2″E
2) 53°00’55.0″N 40°33’11.1″E
3) 52°59’31.3″N 40°31’55.7″E
4) 53°00’35.3″N 40°30’30.8″E

Рисунок 1.11 – Зона полетов БПЛА, используемая для проведения исследований

Обработка полученных изображений производилась в следующем порядке. Как обычно ниже меню располагается панель инструментов. В левой части располагается окно, состоящее из нескольких закладок (Проект, Привязка, Фотографии, Шкала времени, Консоль, Animation). Окно Фотографии как правило располагается в нижнем правом углу. На закладке Проект отображаются все проекты (при добавлении проектов в существующий) и все составные части проекта (камеры, точки, модель и т.п.). В правой части располагается окно Модель. При наличии построенных данных (карта высот, фотоплан) они также отражались в этом окне на новой закладке Орто. Также при выборе фотографии она будет показана в этом окне.

Первым шагом добавляем фотографии в проект (пункт меню Обработка/Добавить фотографии). Фотографии (камеры) располагаются на схеме согласно метаданных снимка (GPS координат) из EXIF фотографии [50].

word image 162  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)
Рисунок 1.12 – Метаданные фотографии

word image 163  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 1.13 – Схема расположения аэроснимков.

Следующим шагом выравниваем фотографии (пункт меню Обработка/Выровнять фотографии).

В результате создается разреженное облако точек.

Для оценки качества фотографии переключитесь в режим просмотра Детальный, доступный из меню – Изменить на панели Фотографии.

word image 164  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 1.14 – Параметры выравнивания фотографий.

На панели Фотографии выбираем все кадры, которые необходимо проанализировать. Выбираем пункт – Оценить качество изображений в контекстном меню фотографий. В результате в колонке Качество появляются посчитанные значения.

word image 165  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 1.15 – Параметры выравнивания фотографий с посчитанным качеством

Следующим шагом выполняем построение плотного облака точек. При нажатии на кнопку Плотное облако на панели инструментов запускаем процесс построения плотного облака точек (или пункт меню Обработка/ Плотное облако). На вкладке Дополнительно оставляем Фильтрация карт глубина – Агрессивная, достаточного для построения фотоплана (для целей построения 3D модели архитектурного объекта выбираем Мягкая).

http://aero.nppmeridian.ru/images/Articles/article5/photoscan9.gif

Рисунок 1.16 – Параметры построения плотного облака точек.

В результате получаем облако точек состоящее из 21,5 млн. точек.

word image 166  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 1.17 – Построенное плотное облако точек.

Далее нам необходимо отклассифицировать плотное облако точек, чтобы выделить землю для правильного построения фотоплана (пункт меню Инструменты/Плотное облако/Классифицировать точки рельефа).

http://aero.nppmeridian.ru/images/Articles/article5/photoscan11.gif

Рисунок 1.18 – Параметры классификации точек рельефа

После классификации видим разбиение на классы облака точек. Земля отображается коричневым цветом.

word image 167  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 1.19 – Отображение классифицированных точек рельефа.

И выбирая на панели инструментов кнопку Классификация плотного облака устанавливаем фильтр (Filter By Class…) – Земля.

http://aero.nppmeridian.ru/images/Articles/article5/photoscan13.gif

Рисунок 1.20 – Отображение классифицированных точек рельефа

Получаем следующую картину.

word image 168  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 1.21 – Отображение классифицированных точек земли

Видим, что лес у нас отделился от земли (остались места перехода низкой растительности).

Далее строим карту высот (пункт меню Обработка/Карта высот).

http://aero.nppmeridian.ru/images/Articles/article5/photoscan15.gif

Рисунок 1.22 – Параметры построения карты высот

После выполнения расчетов появляется новая закладка Орто, на которой отображается построенная карта высот.

word image 169  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 1.23 – Построенная карта высот

Построение ортофотоплана (пункт меню Обработка/Построить фотоплан). Оставляем параметры по умолчанию.

В результате получаем построенный фотоплан.

word image 170  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 1.24 – Построенный ортофотоплан

При необходимости можно отредактировать части изображения фотоплана, заменяя выделенную область изображением с другого снимка (это бывает полезным при построении фотоплана на участок дороги, по которой движется транспорт или опор ЛЭП, показанных с нескольких снимков). Для этого на панели инструментов рисуем полигон и в контекстном меню этой области выбираем Назначить изображение.

Для экспорта фотоплана в графический формат (jpg, tiff) выбираем пункт в контекстном меню Экспорт ортофотопланов. Кроме этого на каждом этапе как правило присутствует возможность экспорта посчитанных данных в обменные форматы других программ. Это облако точек (форматы: ), модель (форматы: ), карта высот (форматы: ).

word image 171  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 1.25 – Ортофотоплан исследуемого поля и расчет индекса NDVI

http://aero.nppmeridian.ru/images/Articles/article5/photoscan21.gif

Рисунок 1.26 – Выбор пункта меню экспорта фотоплана

http://aero.nppmeridian.ru/images/Articles/article5/photoscan22.gif

Рисунок 1.27 – Параметры экспорта фотоплана.

Для размера пиксела в 0.1 м получаем фотоплан размером 16556×11542 пикселей.

В результате в заданной папке создается фотоплан размером 223 Мб (tiff) и 16 Мб (jpg). Выбор формата файла осуществляется выбором типа файла при сохранении фотоплана.

Для размера пиксела в 0.3 м получаем фотоплан размером 5863×2907 пикселей и размером в 25 Мб (tiff) и 1.6 Мб (jpg).

Если результирующий файл получается очень большого размера можно указать разбиение фотоплана на блоки (галочка разбить на блоки) с указанием размера блока в пикселах.

Для оценки основных параметров проекта воспользуемся созданием отчета обработки (Файл/Экспорт/Создать отчет).

Указываем папку расположения и имя отчета. В отчете выводится информация о позиций камер и перекрытие изображений, данные по калибровке камеры, оценка ошибок позиции камер, информация о ЦМР и основные параметры обработки.

По построенному ортофотоплану, рисунок 1.28, с достаточной точностью определяем реальную площадь, участки с плохой всхожестью, заболоченные участки.

Снимок2

Рисунок 1.28 – Ортофотоплан поля с расчетом индекса NDVI

Пример отчета приведен в приложении.

Снимок

Рисунок 1.29 – Карта микрорельефа исследуемого поля с нанесением высот.

Для Тамбовской области одной из ведущих зерновых культур является озимая пшеница урожайность, которой во многом зависит от осеннего развития и перезимовки растений озимых культур. Нормальный рост их связан с внешними факторами (температура, влага, свет) и агротехническими приёмами. При наличии этих факторов и приёмов растения озимых культур развиваются лучше и легче переносят неблагоприятные климатические условия в зимний и ранневесенний период.

К сожалению, получение информации о физиологическом состоянии растений является трудоемким мероприятием, а в силу больших площадей обследования – не всегда достаточно точными. Для этих целей возможно применение оптических методов оценки, которые отличаются объективностью и оперативностью.

Развитие теоретических представлений об азотном питании растений и появление научно-технических возможностей диагностировать его уровень позволяют создавать технологические методы и приемы, позволяющие максимально автоматизировать, т.е., по существу, роботизировать, как определение нуждаемости сельскохозяйственных культур в оптимизации их минерального питания, так способы его регулирования.

В основе диагностики растений фотометрическими методами лежит выявленная многими исследователями зависимость обеспеченности их азотом от содержания хлорофилла в листьях, его фотоактивности (флуоресценции). Отсюда исходным принципом диагностической фотометрии служит определение в листьях или посеве в целом концентрации хлорофилла или интенсивности флуоресценции.

2. РАЗРАБОТКА МОДЕЛЕЙ ДЛЯ КОРРЕКТИРОВКИ И ОПТИМИЗАЦИИ АГРОТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ ПУТЕМ ОЦЕНКИ КАЧЕСТВА ФОРМИРОВАНИЯ КРОНЫ ПЛОДОВОГО ДЕРЕВА

Использование цифровых технологий при выращивании сельскохозяйственных культур в части применения автоматизированных систем управления и поддержки принятия решений позволяют контролировать около 60% потерь урожая, одним из ключевых элементов этой системы контроля является использование технологий точного земледелия, которые используются на всех стадиях выращивания сельскохозяйственных культур [2].

Исследования в области интенсивного садоводства определяют необходимость оптимизации объема солнечной радиации, поступающей в процессе роста и развития плодового дерева, а своевременное выделение области заражения болезни, позволяет снизить потери производства и области распространения. Обнаружение дефектных слабо развивающихся подвоев на ранних стадиях, позволит специалисту подобрать менее затратный способ исправление ситуации (увеличение подачи питательных веществ, обработка регуляторами роста). Эти факторы определяют необходимость проведения исследований по формированию кроны плодового дерева в процессе его роста и развития.

Для лаборатории точного земледелия, основной задачей является получение проекции кроны с использованием БПЛА, а также сбор и анализ данных с использованием индекса NDVI.

Исследования проводились на базе научно-производственного центра имени В.И. Будаговского, расположенного по адресу: Тамбовская область, г. Мичуринск, в границах учхоза «Комсомолец».

Данный центр создан в 2014 году с целью формирования современных участков возделывания различных культур и пород по новейшим технологиям производства плодовой и ягодной продукции для эффективного ведения учебного процесса на высоком профессиональном уровне.

Задачами НОЦ имени В.И. Будаговского являются:

  • создание участков с большим набором пород и сортов плодовых и ягодных культур для всестороннего ознакомления обучающихся с биологическими особенностями их роста иплодоношения;
  • создание маточников (клоновых подвоев, черенковых маточникови участков первичного сортоизучения);
  • создание различных типов (моделей) современных интенсивных садов;
  • создание учебно-научной базы для проведения научно-исследовательской работы аспирантов и преподавателей.

Для проведения исследований был использован участок яблоневого сада сортоподвойных комбинаций площадью 2 га., рисунок 2.1.

C:\Users\n62001\Desktop\Рисунок.jpg

Рисунок 2.1 – Яблоневый сад сортоподвойных комбинаций, площадью 2 га

Структура участка такова:

Ряд 1-4 (участок «Модельный сад»): посадка по схеме 6×3, (то есть расстояние между рядов 6 метров, между деревьями 3 метра) длина поля около 170 метров, количество посаженных деревьев в указанных рядах 55 штук, все сорта высажены весной 2015 года в двухлетнем возрасте, распределение сортов таково:

1 ряд – «Лобо»

2 ряд – «Спартан»

3 ряд – «Мартовское»

4 ряд – «Антоновка»

Ряд 5-9 (участок «Безопорный интенсивный сад на слаборослых подвоях 54-118): посадка по схеме 5×2, длин участка также около 170 метров, количество посаженных деревьев 85 штук, все сорта высажены весной 2015 года в двухлетнем возрасте, распределение сортов таково:

5 ряд – «Лобо»

6 ряд – «Лобо»

7 ряд – «Жигулевское»

8 ряд – «Подарок Графскому»

9 ряд – «Мечта» 25 деревьев – «Богатырь» – 25 деревьев – «Мельба» – 35 деревьев.

Аэрофотосъемка сельхозугодий производилась на территории Мичуринского района, принадлежащей ФГБОУ ВО Мичуринскому ГАУ. Зона полетов приведена на рисунке 2.2.

word image 172  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 2.2 – Зона полетов БПЛА

word image 173  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Изображения получены в следующем порядке (сверху вниз относительно представленных фотоснимков), съемки шли от хозяйственной части, сначала БПЛА двигался справа налево, обратно слева направо и так по каждому междурядью. Для съёмок также был использован квадрокоптер DJI Inspire 1v2.0 и подвес DJI Zenmuse X3. Съемка сада осуществлялась на высоте 35 метров.

Предварительно производилась настройка и калибровка оборудования в соответствии с п. 1.3.

word image 12  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI) word image 13  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 2.3 Настройка и калибровка оборудования для проведения исследований

Облет сада осуществлялся ежемесячно, начиная с апреля 2019 года, количество фотографий за один полет 75 шт. После каждого облета формировался отчет включающий в себя ортофотоплан с расчетом индекса NDVI с использованием соответствующей шкалы.

G:\Текущее\Отчет по госзаданию\NDVI сады\28.05\высота 2.JPG

G:\Текущее\Отчет по госзаданию\NDVI сады\28.05\план со шкалой.JPG

G:\Текущее\Отчет по госзаданию\NDVI сады\28.05\Снимок.JPG

Рисунок 2.4 – Изображения получаемые в ходе проведения исследований

Изображения сада и деревьев с использованием камеры NDVI разбивалось на определенные сектора, как правило 4 равные части с примерно одинаковым количество деревьев в каждой из них, рисунок 2.5.

C:\Users\n62001\Desktop\DJI_0244 для поясления.jpg

Рисунок 2.5 – Формирование единого образа сада, для обработки

На следующем этапе каждое полученное изображение загружалось в онлайн сервис Supervisely, представляющий собой бесплатную платформу для обработки различных изображений.

В ходе наших исследований [50-52] проекция кроны каждого плодового дерева подвергалась маркировке, с целью упрощения процесса маркирования каждое изображение дополнительно разбивалось на сектора, рисунок 2.6. Также технически разделить изображения можно в специализированном программном обеспечении с помощью обработки изображения текстурными фильтрами. Так в работах [54-56] представлен алгоритм разделения крон деревьев с использованием космических снимков, рисунок 2.7.

Указанная методика применима для снимков теплого времени года, когда кроны полностью облиственны, и только для территорий с сильно разреженными (несомкнутыми) древостоями. Потенциальная сфера ее использования — это сбор данных о распространении одиночных деревьев в лесостепных ландшафтах для различных экологических и геоботанических исследований.

E:\agisoft photoscan professional\Обрезанные маски 19,06,19\DJI_0037_1.png
E:\agisoft photoscan professional\Обрезанные маски 19,06,19\DJI_0037_2.png
E:\agisoft photoscan professional\Обрезанные маски 19,06,19\DJI_0038_1.png
E:\agisoft photoscan professional\Обрезанные маски 19,06,19\DJI_0038_2.png

Рисунок 2.6 – Обработка полученных изображений с использованием онлайн сервиса

С использование соответствующих инструментов сервиса Supervisely происходило деление проекции кроны плодового дерева на два типа:

1. Сформировавшаяся крона

2. Несформировавшаяся крона

Сформировавшаяся крона, данная проекция представляет собой равномерную крону, с характерной площадью поверхности.

Несформировавшаяся крона, проекция этой кроны слабо выражена на снимке, имеет высокую неравномерность, малую площадь поверхности.

word image 174  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 2.7 – Общая схема процесса дешифрования крон деревьев [54]

Типы указанных крон представлены на рисунках 2.8-2.9.

word image 175  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI) word image 176  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI) word image 177  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI) word image 178  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI) word image 179  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI) word image 180  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 2.8 – Обработанные снимки сформировавшейся кроны плодового дерева

word image 181  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI) word image 182  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI) word image 183  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI) word image 184  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI) word image 185  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 2.9 – Обработанные снимки несформировавшейся кроны плодового дерева

Использование снимков с камерой NDVI дает возможность четко разделять границы кроны дерева и межствольных полос, что особенно важно при обработке изображений, также при обработке ряда фотографий использовалось изменение контрастности фона, что также позволяло выявлять различные типы кроны и определить их на снимках, то есть ввиду агротехнологических мероприятий по обработке межствольных полос существовала определенная пограничная зона, между выделяемой кроной и поверхностью поля

После маркирования проекций с использованием онлайн сервиса получали так называемые «маски» проекций для их последующей обработки, рисунок 2.10.

E:\agisoft photoscan professional\Обрезанные маски 19,06,19\DJI_0055_3.png

E:\agisoft photoscan professional\Обрезанные маски 19,06,19\DJI_0056_3.png

E:\agisoft photoscan professional\Обрезанные маски 19,06,19\DJI_0057_3.png

Рисунок 2.10 – Обработанные снимки деревьев для выборки сформировавшейся и несформировавшейся кроны.

Для обработки полученных изображений был использован скриптовый язык программирования Python. Данный язык программирования универсален и подходит для решения разнообразных задач и многих платформ. Он используется в веб-разработке, создании десктопных и мобильных приложений, программировании игр, а также в аналитике и машинном обучении.

Python представляет собой интерпретируемый язык, который не компилируется, то есть до запуска представляет из себя обычный текстовый файл. Программировать можно практически на всех платформах, язык хорошо спроектирован и логичен.

Разработка на нем в разы быстрее, потому что приходится писать меньше кода, чем на Java, С и других языках.

Для работы с указанным языком использовали инструмент IPython, представляющий собой интерактивную оболочку для с широким набором возможностей и ядро для Jupyter, который, в свою очередь, является графической веб-оболочкой для IPython, и расширяет идею консольного подхода к интерактивным вычислениям.

Основные отличительные особенности данной платформы – это комплексная интроспекция объектов, сохранение истории ввода на протяжении всех сеансов, кэширование выходных результатов, логирование сессии, дополнительный командный синтаксис, подсветка кода, доступ к системной оболочке, стыковка с pdb отладчиком и Python профайлером.

IPython позволяет подключаться множеству клиентов к одному вычислительному ядру и, благодаря своей архитектуре, может работать в параллельном кластере.

Язык программирования Python в нашем случае был использован с сфере Data Science, то есть машинное обучение, анализ данных и визуализация. Машинное обучение обычно реализует некоторый алгоритм, который позволяет автоматически обнаруживать знакомый шаблон среди входных данных, то есть из полученных изображений сада были выделены кроны деревьев сформированного и несформированного типа, с использованием алгоритма работы инструмента IPython был разработан программный код, рисунок 2.11.

word image 186  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 2.11 – Фрагмент программного кода для распознавания сформированности проекции кроны плодового дерева интенсивного сада

С использованием указанного программного кода удалось выявить деревья в исследуемом саду на которых формирование кроны осуществлялось неправильно, большинство деревьев с несформированной кроной располагалось следующим образом:

1. по периметру сада на первом ряду и вначале основного участка, были отмечены не только деревья у которых крона формировалась не правильно, но и участки на которых не было деревьев;

2. были определены участки поля на которых, во всех рядах, деревья имели плохо формируемую крону, что позволяло сделать вывод о том, что данный участок сада целиком является неблагоприятным для роста и развития деревьев, следовательно необходимо провести изучения именно почвы на участке для обеспечения стабильного роста и развития посаженных деревьев.

В ходе проведенного анализа установлено, что 8% обследуемых деревьев имели плохо сформированную крону, что определило ряд агротехнологических мероприятий, таких как обрезка, внесение дополнительного минерального питания для отдельных участков сада.

3. ПОЛУЧЕНИЕ И ОБРАБОТКА ЦИФРОВЫХ ДАННЫХ (BIG DATA) С ЦЕЛЬЮ ОПТИМИЗАЦИИ ПРОЦЕССОВ ХРАНЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОЙ ПРОДУКЦИИ

Степень зрелости – важнейший показатель, характеризующий качество и физиологическое состояние климактерических плодов (яблоня, груша, томат и другие). От степени зрелости зависит механическая прочность плодов, сочность мякоти, содержание сахаров, органических кислот, сухих веществ, интенсивность дыхания, устойчивость к физиологическим болезням, лежкоспособность и другие важные физиологические, физико-механические и биохимические показатели [57-59]. По степени зрелости определяют целесообразность использования плодов по тому или иному целевому назначению (для длительного, среднего или краткосрочного хранения, для потребления в свежем виде или для переработки). Известно, что у рано и поздно снятых с дерева плодов устойчивость к физиологическим болезням и лежкоспособность ниже чем у плодов, убранных в оптимальной степени зрелости выращивания [57, 60, 61]. Так, при ранних сроках съема плоды имеют низкие товарные и вкусовые качества, не достигают характерного для сорта размера и окраски, не накапливают достаточного количества питательных веществ (сухих растворимых веществ, сахаров, антиоксидантов и др.) и антиоксидантов [61]. Такие плоды при хранении сильно восприимчивы к увяданию, загару, подкожной пятнистости, СО2 повреждениям. Все известные способы защиты таких партий от физиологических болезней, как правило, бывают не достаточно эффективными.

При поздних сроках съема повышается вероятность потери урожая из-за осыпания плодов и поражения их стекловидностью. При хранении поздно снятые плоды быстрее перезревают, теряют твердость, хруст и другие потребительские качества [59-61]. Биохимические показатели таких плодов после хранения также не высоки из-за низкого содержания титруемых кислот, аскорбиновой кислоты, ароматических веществ и антиоксидантов. В процессе хранения такие плоды имеют высокий распад от старения, побурение мякоти и сердцевины и микробиологические заболевания.

Только при уборке в оптимальной зрелости достигается типичная окраска, размер, высокая питательная ценность и максимальная лежкоспособность плодов.

В зависимости от целевого назначения степень зрелости плодов яблони при уборке может быть технической, съемной, потребительской или полной. Например, плоды на сок, рекомендуется убирать в полной физической зрелости, а для закладки на длительное хранение, в оптимальной съемной зрелости.

Изучением степени зрелости занимались многие ученые в нашей стране и за рубежом. К настоящему времени разработано много различных методов и способов определения степени зрелости плодов, которые условно можно разделить на 4 группы: основанные на субъективном восприятии органами чувств (или сенсорные), расчетные, физиологические и физико-химические [60, 62, 63].

К наиболее распространенным сенсорным методам относят определение интенсивности окраски плода, вкуса и аромата, степени побурения семян и легкость отделения плодов от материнского растения (плодушек, плодух, плодовых прутиков и других плодовых образований) и появление воскового налета [60, 62]. По органолептическим показателям не всегда можно оценить степень зрелости плодов, так как большое влияние на них оказывают климатические факторы, возраст насаждений, густота кроны, агротехника и условия выращивания (удобрения, поливы, физиологически активные вещества, возраст насаждений, обрезка, содержание почвы и другие). При сенсорной оценке партии, различающиеся по органолептическим показателям, могут быть одинаковой степени зрелости и наоборот. По этим причинам сенсорные методы рекомендуется применять в качестве дополнительных или вспомогательных.

Из расчетных методов наибольшего внимания заслуживают: количество дней от массового цветения до уборки, суммы температур за вегетационный период (максимальных, минимальных, активных) за 30 и 14 дней до уборки, гидротермический коэффициент за 3 месяца до уборки, число солнечных дней и другие [60, 64]. Например, количество дней от цветения до уборки у Пепина шафранного составляет 128…132 дня, Антоновки обыкновенной 122…125, Осеннего полосатого -118…122 дня. По другим рекомендациям в ЦЧР рекомендуется проводить уборку яблок осенних сортов через 95…115 дней, зимних через 116…135 дней после массового цветения. Расчетные показатели получают на основе многолетних исследований для конкретного сорта, зоны выращивания и применяемой технологии [62]. Большинство расчетных показателей используются для определения примерных сроков съема плодов.

Биохимические и физико-химические (или инструментальные) методы основаны на косвенной или прямой констатации изменений протекающих в плодах в процессе их роста и развития [60, 62]. К распространенным биохимическим и физико-химическим методам относят определение сухих (или сухих растворимых) веществ, суммы и фракционного состав пектиновых веществ, титруемой кислотности, количества и состава сахаров, твердости, содержания хлорофилла, интенсивности дыхания, оптических характеристик, содержания этилена и другие [62]. Биохимические и физико-химические методы, как правило, менее субъективны и более точны, чем расчетные и сенсорные.

Твердость мякоти измеряется при помощи пенетрометра, который фиксирует усилие, необходимое для вдавливания на заданную глубину нажимного устройства (плунжера) определенного диаметра. Показатель твердости в значительной степени варьирует от освещенности плода (световая или теневая сторона), его размера и расположения в кроне. Кроме того, на твердость плодов оказывают влияние погодные условия периода выращивания (перепады температуры и влажности почвы и воздуха), агротехника выращивания (поливы, проведение корневых и некорневых подкормок) и другие факторы.

Определение степени зрелости по интенсивности дыхания можно использовать только для климактерических плодов. Известно, что интенсивность дыхания у плодов яблони при созревании постоянно возрастает и достигает максимума непосредственно перед полным созреванием плода. Это состояние обозначается климактерическим максимумом (КМ) и вскоре после него наступает постклимактерический период, или период старения. Период, предшествующий КМ – соответствует процессу созревания плодов и называется предклимактерическим [62, 65, 66]. Съем плодов в начале предклимактерического подъема дыхания обеспечивает их высокий потенциал лежкости. Этот способ определения степени зрелости считается достаточно точным и объективным. К недостаткам способа относятся высокая сложность и трудоемкость построения климактерических кривых интенсивности дыхания для каждого отдельно взятого сорта [65, 66].

Определение степени зрелости оптическим методом основано на физиологических особенностях плодов изменять окраску при созревании. Это связано в основном с изменением содержания доминирующих фотосинтетических пигментов: хлорофиллов и каротиноидов [67, 68]. Контроль физиологического состояния плодов по оптическим показателям (спектры отражения, флуоресценция и др.) являются неразрушающими методами, позволяющими отслеживать протекающие физиологические процессы в динамике. Кроме того, использование недеструктивных методов мониторинга и прогнозирования физиологического состояния и качества плодов по оптическим показателям обладает рядом преимуществ перед традиционными биохимическими методами, включая высокую чувствительность, надежность и производительность измерений [67, 69]. Различная интенсивность созревания плодов объясняется в первую очередь генетическими особенностями сорта. Поэтому, критерии оптимального срока съема плодов должны разрабатываться для каждого сорта отдельно.

Определение степени зрелости плодов по содержанию эндогенного этилена. Общепринято, что этилен является основным гормоном созревания плодов, накопление которого тесно коррелирует со степенью зрелости плода. Он синтезируется плодами и в крайне низких концентрациях и инициирует процессы созревания и старения. Этилен, образуемый плодами, воздействует на ряд важнейших биохимических процессов (климактерический подъем дыхания, каталитический распад полисахаридного комплекса, составляющего клеточные стенки и заполняющего межклеточное пространство и т.д.). К концу фазы роста он содержится в плодах в предпороговых концентрациях, около 0,1 ppm. Далее концентрация этилена непрерывно растет, причем одновременно увеличивается и реакционная способность тканей плода по отношению этилену. За период от нескольких дней до нескольких недель (в зависимости от сорта) концентрация этилена в межклетниках может возрасти до 100 ppm и более [60, 62, 70]. Таким образом, количественное определение эндогенного этилена на различных стадиях созревания плодов может служить одним из объективных критериев определения сроков съема плодов и продолжительности их хранения. Газохроматографический метод определения этилена обладает высокой чувствительностью и позволяет определять его в очень низких количествах, менее 0,1 ppm. В настоящее время метод апробирован и успешно используется в крупных плодоводческих хозяйствах для определения зрелости плодов яблони. Однако, стоит принять во внимание то, что данный способ довольно трудоемок, требует специального прецизионного оборудования для точной оценки низких концентраций этилена и дает некоторый разброс показаний внутри выборок плодов одной и той же степени зрелости [62, 70].

Для мониторинга физиологического состояния плода в мировой практике используют индекс Thiault (соотношение сахара к кислоте), индекс Streif (соотношение твердости к содержанию крахмала и РСВ), индекс –AD (по содержанию хлорофилла) и другие [71].

Определение степени зрелости плодов яблони по индексу йодкрахмальной пробы (ЙКП) относится к наиболее распространенным биохимическим методам [58, 72]. Метод основан на физиологических особенностях плодов в процессе роста накапливать крахмал, а при созревании гидролизовать его до сахаров. Гидролиз крахмала начинается у семенного гнезда в центральной части плода и завершается на периферии под самой кожицей. Сорта яблок различных сроков созревания (летние, осенние, зимние) различаются темпами накопления крахмала и скоростью его гидролиза.

К преимуществам метода следует отнести простоту и низкие материальные затраты на проведение, а к недостаткам – субъективизм при сравнении окрашенных образцов с 5-и или 8-и бальной шкалой. Например, при определении степени зрелости по 5-ой методике к рано убранным относят плоды с индексом ЙКП 1-2 балла, убранным в оптимальные сроки с индексом 2,5-3,5, и поздно убранным с индексом 4-5 баллов. При такой градации разницу в 0,5 балла при визуальном сравнении со шкалой бывает установить очень сложно. Для повышения точности и объективности результатов определения степени зрелости (в том числе и по йодкрахмальной пробе) в нашей стране и за рубежом изучаются возможности инструментального измерения полученных показателей.

В этой связи исследования направленные на определение степени зрелости плодов по йодкрахмальной пробе с использованием новой комбинированной автоматизированной системы являются весьма актуальными.

Исследования проводили в учебно-исследовательской лаборатории прогрессивных технологий хранения фруктов и овощей Мичуринского ГАУ. Объектами исследований служили сорта яблок Жигулевское, Лобо, Лигол выращенные в ПАО «Снежеток» Первомайского района Тамбовской области. Сбор проводили 11.09.2019 года.

Определение степени зрелости проводили в день сбора плодов двумя способами: по йодкрахмальной пробе [61] и на комбинированной автоматизированной системе с программным обеспечением «Amilon 2.0» компании Isolcell, рисунок 3.1.

К преимуществам прибора следует отнести быстрое измерение до 12 плодов яблони одновременно с количественным измерением показателя йод-крахмальной по одной из трех эталонных шкал. Прибор оснащен программным обеспечением позволяющим определять количественные показатели степени зрелости по 5-и, 8-и или 10-и бальной (международной) шкале.

Прибор имеет линейные размеры 400×450×600 мм. Масса прибора 6 кг. Мощность 10W.

Описание: C:\Users\user1\AppData\Local\Microsoft\Windows\INetCache\Content.Word\20190911_121519.jpg

Рисунок 3.1 – Общий вид процесса проведения ЙКП с использованием прибора «Amilon» для определения степени зрелости плодов яблони

Методика проведения исследований. Для определения содержания крахмала в плодах готовили свежий раствор йода в йодистом калии (раствор Люголя): на 100 мл воды 4 г КJ и 1г J. Для исследований отбирали по 10 типичных плодов каждого сорта с размером по наибольшему поперечному диаметру не менее 40 и не более 100 мм. Отобранные плоды разрезали поперек семенной камеры и опускали срезом в раствор Люголя на 5-10 секунд. Избыток раствора удаляли фильтровальной бумагой и через 1-5 минут сравнивали степень потемнения среза с 5-ти бальной шкалой, рисунок 3.2.

C:\Users\n62001\Desktop\P_20200127_133849_1.jpg

а)

C:\Users\n62001\Desktop\P_20200127_133815_1.jpg

б)

Рисунок 3.2 – 5-ти бальная шкала индекса йодкрахмальной пробы а) для сортов с радиальным типом обесцвечивания; б) для сортов с циркулярным типом обесцвечивания

Определение проводили на одном и том же образце пять подготовленных сотрудников лабораторий центра коллективного пользования Мичуринского ГАУ. Полученные исследователями результаты сравнивали и рассчитывали среднее значение индекса ЙКП, рисунок 3.3-3.5.

C:\Users\Валерий\Desktop\Фотографии\яблоки-амилон\20190911_121215.jpg

Рисунок 3.3 – Определение степени зрелости у яблок сорта Жигулевское по индексу ЙКП

C:\Users\Валерий\Desktop\Фотографии\яблоки-амилон\20190911_122004.jpg

Рисунок 3.4- Определение степени зрелости у яблок сорта Лобо по индексу ЙКП

C:\Users\Валерий\Desktop\Фотографии\яблоки-амилон\20190911_122804.jpg

Рисунок 3.5 – Определение степени зрелости у яблок сорта Лигол по индексу ЙКП

При проведении определения степени зрелости следует учитывать, что темпы накопления крахмала и последующего его гидролиза различаются по сортам. Кроме того, необходимо учитывать, что все известные сорта яблок имеют или круговую или радиальную модель гидролиза, рисунок 3.2. При определении степени зрелости по ЙКП с использованием 5-и бальной шкалы пользовались критериями, представленными в таблице 3.1.

Таблица 3.1 – Влияние содержания крахмала на степень зрелости плодов и их пригодность к хранению по 5-и бальной шкале

Балл ЙКП Характер окрашивания поверхности среза Состояние, степень зрелости Пригодность к хранению
1 Вся поверхность среза от семенного гнезда до кожицы плода черно-синяя Плод не дозрел Не пригодны
2 Незначительные участки поверхности среза не окрашены, главным образом в области плодоножки и у семенного гнезда Начальная фаза съемной зрелости* Длительное хранение
3 Сердцевина светлая, просветы по всей поверхности среза, кроме подкожного слоя Средняя и полная фаза съемной зрелости
4 Темное окрашивание под кожицей и незначительное потемнение отдельных участков мякоти Потребительская зрелость Краткосрочное хранение
5 Незначительное потемнение поверхности среза только под кожицей плода Полное созревание плода Потребление

Результаты определения степени зрелости 3-ех изучаемых сортов по ЙКП на основе 5-и бальной шкалы представлены в таблице 3.2.

Таблица 3.2 – Определение степени зрелости плодов по индексу ЙКП по 5-и бальной шкале

Сорт Индекс ЙКП, балл Пригодность к использованию по назначению
Средние значения каждого исследователя Среднее
1 2 3 4 5
Жигулевское 4,9 4,7 4,9 4,8 5,0 4,9 Потребление
Лобо 4,5 4,8 4,4 4,5 4,8 4,6 Краткосрочное хранение
Лигол 2,4 2,7 2,4 2,6 2,7 2,6 Длительное хранение

Проведенные по 5-и бальной шкале исследования показали, что плоды сорта Жигулевское имели степень зрелости от 4,7 до 5,0 баллов (среднее 4,9). Расхождения в показателях между исследователями составили +/- 0,3 балла. Индекс ЙКП у плодов сорта Лобо колебался от 4,4 до 4,8 балла (среднее 4,6 балла). Расхождения составили +/- 0,4 балла. При определении степени зрелости у плодов сорта Лигол индекс ЙКП колебался от 2,4 до 2,7 балла (среднее 2,6), при расхождениях в показателях проведенных разными исследователями +/-0,3 балла. Считается, что оптимальной для хранения большинства сортов яблок является степень зрелости в интервале 2,5-3,5 балла по 5-и шкале.

Полученные данные позволяют сделать вывод, что плоды, убранные 11.09.2019 года у разных сортов имели существенные различия по степени зрелости. Так, плоды сорта Жигулевское, (индекс ЙКП-4,9 балла), следует отнести к полностью созревшим и для закладки на хранение не рекомендовать. Плоды в такой степени зрелости целесообразно направлять на реализацию немедленно или после кратковременного хранения. Средний индекс ЙКП у плодов сорта Лобо составил 4,6 балла, что соответствует потребительской зрелости. У плодов такой степени зрелости потенциал лежкости не велик, поэтому такие плоды целесообразно направлять на реализацию после краткосрочного или среднесрочного хранения. На длительное хранение рекомендуется закладывать плоды со степенью зрелости 2,5-3,0 балла, потому что такие плоды обладают максимальным потенциалом лежкости. Полученные данные показывают, что по индексу ЙКП плоды сорта Лигол имеют оптимальную степень зрелости -2,6 балла и по этому показателю могут быть рекомендованы для закладки на длительное хранение.

После визуального определения степени зрелости проводили определение степени зрелости тех же образцов на приборе «Amilon».

Обработанные раствором йода и окрашенные плоды раскладывали на рабочую поверхность красного лотка обработанной поверхностью вверх. В процессе работы система «Amilon» сканирует область лотка в поисках округлых не красных форм и анализирует каждый плод отдельно, чтобы вычислить его индекс ЙКП. Поэтому для получения достоверных результатов по каждому исследуемому образцу следили за тем, что бы при раскладке расстояние составляло не менее 0,7 см между соседними плодами и не менее 1 см по периметру красной рабочей области лотка. При нарушении правил размещения плодов на рабочей поверхности лотка система может дать сбой и выдать в качестве индекса ЙКП среднее значение двух находящихся рядом образцов.

После размещения плодов на рабочей поверхности красный лоток помещали в освещенную камеру, блокировали отверстие в передней части камеры, для устранения рассеянного света и примерно через 3 секунды нажимали на кнопку «захватить изображение».

Первый шаг в анализе состоит в том, чтобы отделить плод от красного фона. После захвата образца нажимали кнопку «Анализ образца» и программное обеспечение приступало к сканированию изображения и анализу каждого обнаруженного плода по отдельности. Во время сканирования изображение «очищается» от объектов, которые не соответствуют требованиям по форме (отличная от округлой) и размеру (с диаметром меньше 40 и больше 100 мм). Результаты анализа высвечиваются на дисплее и показывают: средний индекс ЙКП образца, интервал ошибок (или доверительный интервал) и стандартное отклонение показателя.

Для преобразования окрашенной части плода к понятному значению прибор может использовать два варианта:

  1. определяемая пользователем полиноминальная функция до 4-го порядка, скорректированная для видов и разновидностей;
  2. обобщенная функция, которая переводит отношения реактивной площади к типичному человеческому восприятию, а затем присваивает индекс крахмала.

«Amilon» характеризуется достаточно низкой чувствительностью к изменению освещения и размытости, вызванной неточной фокусировкой оптики. Прибор оснащен четырьмя программами преобразования интенсивности окрашивания плодов яблони в 5-и, 6-и, 8-и или 10-и бальную (принятую на международном уровне) систему. Кроме того, прибор имеет функцию настройки на одну из двух схем гидролиза: круговую или радиальную.

При проведении исследований на приборе «Amilon» была установлена 5-и бальная система, как представлено на рисунке 3.2.

Результаты анализов отражаются на мониторе в виде следующих параметров, рисунок 3.6-3.8:

  1. средний индекс ЙКП исследуемых образцов;
  2. интервал погрешности или доверительный интервал среднего значения;
  3. стандартное отклонение показателей;
  4. количество проанализированных образцов.

Полученные в ходе проведенных исследований результаты сведены в таблицу 3.3

C:\Users\Валерий\Desktop\Фотографии\яблоки-амилон\20190911_121459.jpg

Рисунок 3.6 – Определение степени зрелости у яблок сорта Жигулевское по индексу ЙКП на комбинированной автоматизированной системе «Amilon»

C:\Users\Валерий\Desktop\Фотографии\яблоки-амилон\20190911_122218.jpg

Рисунок 3.7 – Определение степени зрелости у яблок сорта Лобо по индексу ЙКП на комбинированной автоматизированной системе «Amilon»

C:\Users\Валерий\Desktop\Фотографии\яблоки-амилон\20190911_122916.jpg

Рисунок 3.8 – Определение степени зрелости у яблок сорта Лигол по индексу ЙКП на комбинированной автоматизированной системе «Amilon»

Таблица 3.3 – Результаты исследований степени зрелости плодов по индексу ЙКП на приборе «Amilon»

Сорт Показания прибора Интервал ошибок Пригодность к использованию
мини-

мальное

макси-мальное среднее
Жигулевское 4,9 5,0 5,0 0,20 Потребление
Лобо 4,6 5,0 4,8 0,20 Краткосрочное хранение или потребление
Лигол 2,3 2,8 2,5 0,23 Длительное хранение

Результаты, представленные в таблице 3.3 показывают, что индексы ЙКП полученные на приборе «Amilon» отличаются от данных полученных при визуальном определении с использованием 5-и бальной шкалы не более чем на 0,2 балла.

Комбинированная система с программным обеспечением «Amilon 2.0» компании Isolcell (Италия) может быть рекомендована для определения степени зрелости плодов яблони, так как перед распространенной 5-бальной системой имеет следующие преимущества:

  • высокую скорость проведения анализа и получения готовых данных;
  • единовременное исследование большого количества образцов (до 12);
  • высокую точность определения;
  • возможность получать информацию о различиях плодов по степени зрелости в исследуемой партии (минимальные, максимальные и средние значения).

4. РАЗРАБОТКА ЭКОЛОГИЧЕСКИ БЕЗОПАСНОЙ ТЕХНОЛОГИИ ХРАНЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОЙ ПРОДУКЦИИ В ДИНАМИЧЕСКОЙ АТМОСФЕРЕ С МИНИМАЛЬНО ДОПУСТИМОЙ КОНЦЕНТРАЦИЕЙ КИСЛОРОДА

В настоящее время проблема круглогодового обеспечения населения плодами отечественного производства является актуальной и до конца не решенной. При существующих технологиях хранения потери от физиологических и грибных болезней могут достигать 30% и более [73, 74].

Устойчивость плодов к болезням хранения зависит от большого количества факторов, основными из которых являются: генотип сорта, агротехника выращивания, погодные условия, возраст насаждений, нагрузка урожаем, степень зрелости, послеуборочные обработки, способы и режимы хранения. Одной из основных причин низкой обеспеченности внутреннего рынка отечественными плодами во внесезонное время является низкий уровень технической базы хранения и высокоэффективных технологий хранения вообще и экологически чистых в частности [73, 75].

Разработка высокоэффективных экологически чистых технологий хранения фруктов и овощей становятся все более востребованными в мире. При разработке современных технологий хранения широкое применение находят цифровые технологии. Реализация технологий холодильного хранения в обычной атмосфере (ОА) и особенно в регулируемой атмосфере (РА) на современных фруктохранилищах как правило осуществляется с использованием современных высокоточных датчиков и применением цифровых технологий [76]. Цифровые системы с помощью специально разработанных программ позволяют в автоматическом режиме поддерживать оптимальную температуру, влажность воздуха и состав атмосферы в камерах хранения. Благодаря автоматическому поддержанию установленных режимов хранения создаются наиболее благоприятные для отдельных видов продукции условия сохранения пищевых и товарных свойств при максимальной устойчивости к физиологическим и микоплазменным заболеваниям [77-79]. Кроме того, подобные технологии позволяют обеспечить не только контроль за состоянием сельхозпродукции, но и комфортную отгрузку и закладку, калибровку и сортировку товара, качественные дезинфекцию и длительное хранение сельхозпродукции без серьезных потерь.

В зависимости от назначения автоматические системы могут быть различными. Иногда требуется лишь включение и выключение системы вентиляции, в других случаях – искусственное изменение температуры, влажности, проведение дезинфекции по отдельности для разных культур, а если под контролем находится несколько овощехранилищ, то организуется централизованное управление ими [2, 78].

В настоящее время хранение в условиях пониженной концентрации кислорода (принцип аноксианабиоз) в развитых странах мира хранится значительная часть собранного урожая яблок, груш, винограда и другой сельскохозяйственной продукции [80]. За счет замедления физиологических процессов в условиях низко кислородного хранения лучше сохраняются физико-механические (твердость, сочность, хруст) и биохимические (содержание СРВ, сахаров, титруемых кислот, витаминов и др.) показатели плодов, повышается их устойчивость к болезням [79].

При снижении концентрации кислорода существенно замедляется реакция окисления α-фарнезена, что способствует предотвращению развития загара и других физиологических болезней. Хранение в регулируемой атмосфере (РА) относится к экологически чистым, эффективным и широко распространенным способам хранения плодов. Однако для эффективной защиты от загара и других физиологических болезней классической РА часто бывает недостаточно. Добиться эффективной защиты от загара удается лишь при снижении концентрации кислорода до максимально возможных значений. Так, применение традиционной РА (О2 – 1,5-3%) не всегда обеспечивает гарантированной защиты плодов от загара, а иногда может даже усиливать его развитие вследствие накопления экзогенного этилена в герметичных камерах хранения [80].

Технологию хранения в РА постоянно совершенствовали в направлении снижения концентрации кислорода в атмосфере хранения. В результате этих работ хранение яблок в РА с низкими (LO) и ультранизкими (ULO) концентрациями кислорода стало быстро внедряться в странах, имеющих развитые отрасли садоводства, – в США, Голландии, Бельгии, Англии, Италии, Германии. Оптимальные концентрации кислорода при хранении зависят от сорта и агроклиматических условий выращивания и устанавливаются опытным путем [79, 81-82].

Новейшим достижением в практике хранения климактерических плодов стало применение ингибиторов биосинтеза этилена на основе 1-метилциклопропена.

Участие этилена в регуляции роста растений было открыто русским ученым Д.Н. Нелюбовым в Санкт-Петербургском государственном университете в 1901 году. Исследования показали, что этилен влияет на транскрипцию и трансляцию многих генов, связанных с созреванием. Следовательно, снижая уровень эндогенного этилена, можно ожидать замедления процесса созревания и старения.

В настоящее время в мире создана серия препаратов, снижающих эффект действия этилена. В некоторых странах широко используют препараты на основе таких химических соединений, как тиосульфат серебра (STS), диазоциклопентадиен (DACP), аминоэтоксивинилглицин (AVG), 2,5-норборадиен (NBD), аминооксиуксусная кислота (AOA), а также двуокись углерода. Однако все они имеют ряд недостатков (обратимость действия, ингибирование лишь эндогенного этилена, высокая цена, неприятный запах или остаточное содержание в плодах) [83, 84].

В первой половине 90-х годов XX века было установлено, что одним из наиболее эффективных ингибиторов этилена является циклопропен и его алкильные производные, особенно 1-метилциклопропен [83, 85]. Послеуборочная обработка плодов этим препаратом интенсивно снижает биосинтез этилена, замедляет скорость процессов послеуборочного дозревания и продлевает сроки эффективного хранения многих плодовых, ягодных и овощных культур. Китайские ученые [86] установили эффективность применения 1-МЦП в низких концентрациях (0,035; 0,07 и 0,11 мкл/л) в послеуборочный период для продления лежкости и сохранения качества плодов вишневидного томата. Выявлено, что обработка 1-МЦП способствовала сохранению плотности плодов. С увеличением концентрации 1-МЦП происходило замедление окрашивания плодов: 1-МЦП задерживал разложение хлорофилла, накопление ликопина и каротиноидов, что отрицательно сказывалось на окраске плодов. Для продления продолжительности хранения оптимальной являлась обработка плодов начальных стадиях зрелости.

В 1994 г. 1-МЦП стал исходным активным компонентом препарата «Smart Fresh» США, который в настоящее время широко используется для сохранения качества плодов яблони, груши, сливы, цитрусовых, овощей и цветов [87].

В 2005 году началось промышленное производство и применение отечественного препарата, генерирующего 1-метилциклопропен, под названием «Фитомаг» [83, 85]. Отечественный препарат «Фитомаг», на основе 1-метилциклопропена является уникальной совместной разработкой Всероссийского научно-исследовательского института садоводства им. Мичурина и Российского химико-технологического университета им. Менделеева.

Эффективный в ингибировании эндогенного и экзогенного этилена в климактерических овощах и фруктах (яблоки, груши, слива, алыча, абрикос, персик, бананы, хурма, капуста брокколи, томаты, огурцы, зеленные культуры), препарат безопасен для здоровья человека и окружающей среды и не имеет остаточного содержания в плодах после обработки. На его применение имеется разрешение Роспотребнадзора.

Суть новой технологии состоит в обработке плодов и овощей газообразным ингибитором этилена «Фитомаг» в крайне низких концентрациях (0,5-1 ppm). Обработку проводят в герметичных камерах в течение суток, используя портативные генераторы ингибитора биосинтеза этилена [85, 87]. Обработка достаточно проста и производится путем растворения порошка в портативных генераторах, в результате чего выделяется газообразное действующее вещество (1-метилциклопропен).

Механизм действия активного компонента состоит в следующем [88]: 1-метилциклопропен прочно присоединяется к рецепторам этилена на клеточной мембране, т.е. занимает его место, поэтому этилен уже не способен присоединиться к рецепторам и образовывать активные комплексы. В этом случае предотвращается действие этилена не только выделяемого плодами и овощами (эндогенного), но и экзогенного, биологического и небиологического происхождения. К основным недостаткам применения ингибиторов биосинтеза этилена является запрещение их использования при хранении продукции органического производства и экологически чистой продукции.

В настоящее время самым прогрессивным способом хранения является адаптивная (динамическая) регулируемая атмосфера (DCA). Поэтому на изучение и отработку этой технологии направлены исследования многих ученых в нашей стране и за рубежом. Эта технология основана на мониторинге и контроле физиологического состояния продукции и поддержании концентрации кислорода по принципу обратной связи на минимально допустимом уровне [79]. В качестве параметра, позволяющего установить минимально допустимую концентрацию кислорода при хранении можно использовать величину дыхательного коэффициента, количество этанола в тканях плода и флуоресценцию хлорофилла [89, 90].

Учебно-исследовательская лаборатория прогрессивных технологий фруктов и овощей Мичуринского ГАУ укомплектована оборудованием и программным обеспечением позволяющим устанавливать минимально допустимую концентрацию кислорода по флуоресценции хлорофилла. К достоинствам метода следует отнести высокую чувствительность и возможность аппаратурной реализации недеструктивного дистанционного измерения, а к недостаткам высокие материальные затраты на закупку оборудования и программного обеспечения. Сущность метода заключается в том, что при постепенном снижении концентрации кислорода ниже ПНКК уровень минимальной флуоресценции хлорофилла сильно возрастает. При повышении концентрации кислорода на 0,2-0,3% стрессовое состояние снимается и уровень флуоресценции опускается до первоначального уровня.

Установлено, что в сравнении с ULO динамическая регулируемая атмосфера обеспечивает лучшее сохранение качества (твердость, кислотность, замедление разложения хлорофилла) и обеспечивает длительную эффективную защиту от физиологических заболеваний (загар, внутреннее побурение, разложение от старения) [82].

4.1 Разработка алгоритма технологических решений, направленных на предотвращение развития физиологических заболеваний сельскохозяйственной продукции в процессе ее длительного хранения. Методика анализа развития физиологических заболеваний в процессе хранения

Исследования проведены в учебно-исследовательской лаборатории прогрессивных технологий хранения фруктов и овощей в период с августа 2019 года по январь 2020 года. Лаборатория имеет три холодильные камеры (17, 21 и 48 м3), систему холодоснабжения, генератор азота, систему автоматического поддержания газового состава и систему мониторинга физиологического состояния плодов, рисунок 4.1.

C:\Users\Валерий\Desktop\Фотографии\Фото лабораторий\20190125_132129.jpg

Рисунок 4.1 – Изотермическая холодильная камера №1 учебно-исследовательской лаборатории прогрессивных технологий хранения фруктов и овощей

Температурно-влажностные режимы в камерах поддерживает централизованная система холодообеспечения с промежуточным холодильным контуром на основе этиленгликоля, работающая в автоматическом режиме. В камерах установлены специализированные для плодоовощной продукции воздухоохладители с развитой поверхностью охлаждения. Дозирование подачи охлажденного гликоля из главной магистрали на воздухоохладители осуществляется с помощью узлов подмешивания управляемых по аналоговому сигналу контроллером в зависимости от заданных установок. Использование специализированных воздухоохладителей позволяет поддерживать уровень относительной влажности в камерах на уровне 94…97%.

Первоначальное снижение концентрации кислорода в контейнерах осуществляется продувкой контейнеров азотной средой, создаваемой генератором азота (в течение 48 часов до уровня О2 – 2 %). Дальнейшее снижение содержания кислорода в атмосфере контейнеров осуществляется за счет дыхания хранимой продукции.

Минимально допустимые (предельные) концентрации кислорода для плодов определяются по подъему сигнала флуоресценции при снижении концентрации кислорода в герметичных контейнерах с хранимой продукцией

Для хранения плодов в регулируемой атмосфере (РА) и динамической атмосфере (DСA) использовали герметичные контейнеры из нержавеющей стали объемом 0,52м3. В камерах установлено 32 контейнера в том числе: в камере №1-8, в камере №2-11 и в камере №3-13. Благодаря программному обеспечению контейнеры контролируются по параметрам температуры, ОВВ, содержанию О2 и СО2 с выводом показателей на экран монитора, рисунок 4.2, и на сенсорный контроллер интерфейса, рисунок 4.3-4.5

бд C:\Users\Валерий\Desktop\ЦИФРЫ\Новая папка\Фото контейнеров\20200127_112859.jpg

Рисунок 4.2 – Расположение контейнеров в камерах на экране монитора

C:\Users\Валерий\Desktop\ЦИФРЫ\Новая папка\Фото контейнеров\16 контейнер\16 контейнер.jpg

Рисунок 4.3- Показания на сенсорном дисплее интерфейса параметров О2 и СО2 в контейнере №16

C:\Users\Валерий\Desktop\ЦИФРЫ\Новая папка\Фото контейнеров\14 контейнер\14 контейнер.jpg

Рисунок 4.4 – Показания на сенсорном дисплее интерфейса параметров О2 и СО2 в контейнере №14

C:\Users\Валерий\Desktop\ЦИФРЫ\Новая папка\Фото контейнеров\12 контейнер\12 контейнер.jpg

Рисунок 4.5- Показания на сенсорном дисплее интерфейса параметров О2 и СО2 в контейнере №12

Все контейнеры оборудованы вентиляторами, для обеспечения выравненности температуры и газового состава по всему объему контейнера. Для поддержания газового состава каждый контейнер подключают к системе удаления избыточного СО2 и подачи воздуха для компенсации недостающего количества кислорода.

Каждый вариант опыта закладывали в стандартные пластиковые ящики размером 600×400×300 мм.

Проведение газового анализа в контейнерах, и поддержание режима хранения яблок на заданном уровне осуществлялось в автоматическом режиме благодаря установке соответствующих компьютерных программ, рисунок 4.6.

C:\Users\Валерий\Desktop\Фотографии\Фото лабораторий\20190125_132119.jpg

Рисунок 4.6 – Система управления температурно-влажностными и газовыми режимами хранения

В начале и в конце хранения проводили оценку состояния продукции по количеству плодов, пораженных физиологическими и микробиологическими заболеваниями. При оценке плодов учитывали следующие физиологические заболевания: загар, разложение от старения, низкотемпературное разложение, мокрый ожог, побурение мякоти и сердцевины, подкожная пятнистость, поражения от высокой концентрации СО2 или от низкой концентрации О2 в атмосфере и др.

Кроме того, после хранения оценивали потенциальную лежкоспособность партий яблок на период транспортировки и реализации. Для этого среднюю пробу в количестве 10 плодов из каждого варианта выдерживали в комнатных условиях (15-20 °С) в течение 7-10 дней.

Перед закладкой и в конце хранения в каждой партии плодов определяли содержание сухих растворимых веществ, твердость ткани, титруемую кислотность и содержание аскорбиновой кислоты [91, 92].

Степень зрелости плодов перед хранением определяли по йод крахмальной пробе на приборе «Amilon». Твердость ткани измеряли на пенетрометре. Этим прибором измеряется максимальное усилие при внедрении плунжера с диаметром 11 мм в мякоть плода на глубину 8 мм. Результаты выражаются в килограммах.

Определение содержания сухих растворимых веществ (СРВ) проводили с помощью лабораторного рефрактометра. Перед началом работы показания прибора устанавливали на ноль по дистиллированной воде. Со среза плода ножом делали соскоб на кусочек марлевой ткани. Выжатый сок (2-3 капли) помещали на поверхность измерительной призмы и закрывали ее осветительным стеклом. Затем перемещали окуляр пока не установится четкая граница светотени. По шкале прибора отмечали деление, через которое проходит граница светотени. После каждого определения призму рефрактометра промывали дистиллированной водой и вытирали мягкой тканью.

Определение титруемой кислотности определяли титрованием раствором 0,1 н щелочи в присутствии индикатора фенолфталеин. Из средней пробы свежеразмельченных плодов брать навеску 1г, растирают в ступке, и количественно переносят в коническую колбу. Титруют раствором 0,1 н NaOH в присутствии 4-5 капель фенолфталеина до розового окрашивания, применяя точные бюретки. Кислотность выражали в процентах для яблочной кислоты.

4.2 Анализ качества плодов и эффективности предотвращения развития физиологических заболеваний (загар, побурение сердцевины, разложение от старения) при длительном хранении по технологии адаптивной регулируемой атмосферы. Методика проведения исследований

В качестве объектов исследования были выбраны перспективные и распространенные в ЦЧР сорта: Жигулевсое, Лобо и Лигол, рисунок 4.7-4.9. В экспериментах использовались плоды, выращенные в промышленных садах интенсивного типа ООО «Снежеток» Первомайского района, Тамбовской области.

Жигулёвское, рисунок 4.7.

Выведен на Куйбышевской опытной станции садоводства от скрещивания сортов Боровинка и Вагнер [93]. Допущен в производство по Центральному, Центрально-Чернозёмному, Средне-Волжскому, Нижне-Волжскому и Восточно-Сибирскому регионам РФ. В Тамбовской области сорт осеннего срока созревания. Дерево достаточно зимостойкое, среднерослое, с округлой, несколько вытянутой кроной. Плодоношение смешанное: на кольчатках, копьецах и плодовых прутиках. Начало плодоношения – на 5 – 6 год роста в саду. Урожайность обильная, но нередко периодичная, до 310 – 370 ц/га. Плоды крупные (масса 150 – 200 г), чаще уплощённо-округлой формы, бугорчатые, с широкими сглаженными рёбрами. Блюдце обычно глубокое и широкое. Чашечка большая, обычно широко раскрытая, реже полуоткрытая. Воронка довольно глубокая и очень широкая, с негрубой оржавленностью кожицы. Основная окраска плодов от зеленовато-жёлтой до золотисто-жёлтой, покровная – в виде карминно-красного полосатого румянца по оранжево-красному фону на большей части плода. Мякоть желтоватой окраски, плотная, сочная, кисло-сладкого вкуса, ароматная.

C:\Users\Валерий\Desktop\ЦИФРЫ\Новая папка\Фото контейнеров\14 контейнер\14.jpg

Рисунок 4.7 – Плоды сорта Жигулевское

Плоды хранятся до января, в отдельные годы до февраля – марта. В период хранения поражаются распадом от старения, побурением от старения, побурением сердцевины.

Лобо, рисунок 4.8

Зимний сорт выведен в Канаде путем посева семян от свободного опыления сорта Мекинтош [93]. Сорт включен в Государственный реестр в Центрально-Черноземной зоне и быстро распространяется в Белгородской, Воронежской, Курской, Липецкой, Орловской и Тамбовской областях. В Нижнем Поволжье этот сорт проходит широкое производственное испытание и признан перспективным сортом. Сорт скороплодный, ежегодно плодоносящий и урожайный. Имеет среднюю зимостойкость в средней полосе и более высокую – в Нижнем Поволжье. Отличается высокой устойчивостью к засухе и сравнительно слабой жаростойкостью, слабо устойчив к мучнистой росе, во влажные годы плоды и листья поражаются паршой. Плоды крупные, реже средней величины, выровненные, от уплощенно – округлой до округло-конической формы, слаборебристые.

C:\Users\Валерий\Desktop\ЦИФРЫ\Новая папка\Фото контейнеров\12 контейнер\12 конт.jpg

Рисунок 4.8 – Плоды сорта Лобо

Поверхность гладкая. Основная окраска желтовато-зеленая, почти полностью покрыта полосатым, размытым мраморовидным, нарядным, малиново-красным румянцем, при съеме окраска приобретает бордовый оттенок из-за сильного сизого воскового налета. Подкожных точек среднее количество, они крупные, белые, хорошо заметные. Воронка глубокая и широкая. Блюдце средней величины, сравнительно мелкое, средней ширины или узкое, слегка ребристое. Чашечка средней величины, закрытая или иногда полуоткрытая. Подчашечная трубка обратно конусовидной формы, широкая, средней глубины. Семенные камеры небольшие, закрытые, но чаще полуоткрытые в сравнительно небольшую осевую полость. Сердечко маленькое, сердцевидной формы. Мякоть белая, мелкозернистая, сочная, нежная, приятного кисло- сладкого вкуса. Химический состав плодов: сухих веществ – 15,7% (максимально 17,4), сумма сахаров – 10,3% (10,9), титруемых кислот – 0,49% (0,54) на сырой вес, аскорбиновой кислоты – 10,7 мг/100 г (16,1).

Лигол, рисунок 4.9

Сорт зимнего срока созревания. Получен в 1972 году в Институте садоводства и цветоводства в Скерневице (Польша) от скрещивания сортов Линда и Голден Делишес [93]. Зимостойкость сорта выше средней, стойкость против парши и мучнистой росы высокая. В плодоношение вступает рано.

C:\Users\Валерий\Desktop\ЦИФРЫ\Новая папка\Фото контейнеров\16 контейнер\16,1.jpg

Рисунок 4.9 – Плоды сорта Лигол

Склонен к периодичности плодоношения. Плоды выше среднего размера и крупные (170-220 г), одномерные, округло-конусообразные с ребристой верхушкой и часто боковым швом, зеленовато-желтые, с интенсивным розовато-темно-красным размытым румянцем почти по всей поверхности. Кожица средней толщины, плотная, гладкая, блестящая. Мякоть светло-кремовая, сочная, плотная, мелкозернистая, ароматная, превосходного кисло-сладкого вкуса. (7,6-8,0 баллов). Основное назначение — употребление в свежем виде.

Опыты по хранению осуществляли в трех режимах:

  1. обычная атмосфера (ОА: О2 – 20,9%; СО2 – 0,03%);
  2. регулируемая атмосфера с ультранизким содержанием кислорода (ULO: О2 – 1,5..1,8%; СО2 – 0,5…1,0%) (рисунок 1-3);
  3. динамическая регулируемая атмосфера (DСA: О2 – минимально допустимый для сорта уровень на основе контроля физиологического состояния плодов по флуоресценции хлорофилла; СО2 – не более 0,5…1,0%).

В каждой камере установлены датчики температуры (Pt 100) и датчик относительной влажности, соединенные с централизованной системой управления, которая обеспечивает запись данных с возможностью построения графиков.

Для реализации различных газовых режимов хранения использовали герметичные контейнеры из нержавеющей стали и комплекс устройств обеспечивающих создание и поддержание заданного газового состава в них. Этот комплекс включает в себя генератор N2 (для первоначального снижения концентрации кислорода), индивидуальные (на каждый контейнер) адсорберы СО2 на основе химического известкового поглотителя (ХПИ), индивидуальные (на каждый контейнер) устройства подачи атмосферного воздуха (для компенсации кислорода при его понижении ниже установленного уровня) и систему автоматического управления газовыми режимами хранения.

Герметичные контейнеры изготовлены из пищевой нержавеющей стали (V = 0,52 м3) с размерами, оптимизированными для размещения четырех стандартных фруктовых пластиковых ящиков (600×400×300 мм) и датчика физиологического состояния плодов.

Поддержание в контейнерах заданного газового режима осуществляет автоматическая система управления. По проложенным пневмомагистралям через установленные промежутки времени поочередно из каждого контейнера забирается газовая проба и измеряются концентрации кислорода и углекислого газа. При отклонении измеренных значений от заданных включатся или адсорбер для удаления СО2 или микрокомпрессор подачи атмосферного воздуха для компенсации недостатка кислорода.

Для сбора данных и их оперативного управления на персональном компьютере установлена программа ISOSOFT. С ее помощью можно задавать необходимые параметры для поддержания газового состава в контейнерах в автоматическом режиме. SCADA система ISOSOFT также обеспечивает визуализацию и архивацию данных газового состава, температуры и относительной влажности воздуха в контейнерах РА и холодильных камерах. Архивация параметров осуществляется в форме тренда (графическое представление данных) и в табличном варианте.

Система мониторинга физиологического состояния плодов включает в себя датчики флуоресценции, систему обработки информации и программное обеспечение. Принцип оценки физиологического состояния плодов хранимой продукции основан на измерении флуоресценции хлорофилла. Сенсор флуоресценции оснащен светодиодной подсветкой и для его правильной работы требуется обеспечить отсутствие иных источников света. Контрольные плоды в количестве 6 штук помещаются на дно перфорированного пластикового контейнера в один ряд, в верхней части которого размещается сенсор флуоресценции, рисунок 4.10. Расстояние между сенсором и поверхностью плодов – 120-150 мм.

C:\Users\Валерий\Desktop\ЦИФРЫ\Новая папка\Фото контейнеров\16 контейнер\16,3.jpg

Рисунок 4.10 – Перфорированный пластиковый контейнер с датчиком флуоресценции хлорофилла (сорт Лигол)

Сенсоры флуоресценции через систему концентраторов подключаются к персональному компьютеру, на котором установлена специальная программа сбора данных (Harvest Watch). Она регистрирует, архивирует показания сенсоров и отображает их в графическом виде.

Для вариантов с хранением в адаптивной регулируемой атмосфере первоначальное снижение концентрации кислорода в контейнерах осуществляли их продувкой азотной средой, вырабатываемой генератором азота (в течение 48 часов до уровня О2 – 2 %, имитируя реальные производственные условия). Дальнейшее снижение содержания кислорода в атмосфере контейнеров осуществлялось за счет дыхания хранимой продукции. Минимально допустимые (предельные) концентрации кислорода для плодов определялись по пикам сигнала флуоресценции хлорофилла при снижении концентрации кислорода в герметичных контейнерах с хранимой продукцией.

Температурный режим хранения для всех сортов – 0…1°С. Перед закладкой на хранение в каждой партии плодов определяли следующие показатели: степень зрелости по индексу ЙКП концентрацию сухих растворимых веществ, титруемую кислотность и содержание аскорбиновой кислоты. Проведение анализов в каждом варианте проводили до и после хранения.

Оценивалось развитие физиологических и микробиологических заболеваний, а также сохранение твердости ткани плодов. Учитывались следующие физиологические заболевания: загар, разложение от старения, низкотемпературное разложение, мокрый ожог, побурение мякоти и сердцевины, подкожная пятнистость, стекловидность, поражения от высокой концентрации СО2 или от низкой концентрации О2 в атмосфере и др.

В период хранения плоды яблони поражаются физиологическими и микробиологическими заболеваниями. К микробиологическим болезням относятся серая гниль (ботритис), плодовая гниль (монилиоз), сизая плесень (пенициллез), оливковая плесень (кладоспориоз) и другие[19]. Наиболее распространёнными физиологическими заболеваниями в ЦЧР являются: загар, побурение сердцевины, подкожная пятнистость, распад от старения, низкотемпературный распад, мокрый ожог, стекловидность и внутренние повреждения в РА [15,19,25]. Видовой и численный состав грибов сильно изменяется от экологических условий зоны выращивания, а проявление физиологических болезней от сортовых особенностей и агротехники выращивания.

Загар (Scald) или побурение кожицы яблок может поражать до 100% плодов при хранении. Восприимчивость к загару определяется генотипом сорта. Из представленных для изучения сортов генетически устойчивых к загару нет. К сортам с сильной восприимчивостью к загару относится Кандиль Синап, со средней восприимчивостью Синап белый и Сары Синап. Основной причиной поражения загаром является нарушение обмена веществ и выделение недоокисленных продуктов (фарнезена и продуктов его окисления) способных вызывать ожег кожицы плодов. В плодах сильно восприимчивых к загару уровень накопления фарнезена в несколько раз выше, чем в плодах слабовосприимчивых. Наиболее сильно проявляется во второй половине хранения или после снятия хранения в период транспортировки и реализации. Устойчивость к загару снижается при содержании фарнезена 2,5 мк моль на 100 см2. В генетически устойчивых сортах (Джонатан, Лобо, Уэлси и др.,) продукты окисления фарнезена не накапливаются вообще [94-96, 97].

Причины, способствующие появлению загара:

  • уборка и закладка на хранение недозревших плодов;
  • неблагоприятные метеорологические факторы, особенно за 4 недели до уборки. Устойчивость к загару повышается если количество дней с температурой выше 250С не более 18°С, минимальные температуры в предуборочный период не опускаются ниже 100С, а среднесуточная температура не выше 160С);
  • не правильная формировка кроны (загущена) и наличие в партии большого количества плодов, выросших в затенении (слабо окрашенные);
  • сильно растущие молодые деревья или деревья, подвергнутые сильной (омолаживающей) обрезке;
  • чрезмерное применение азотных и калийных удобрений (приводящее к антагонизму с кальцием и снижению его концентрации в плодах);
  • дефицит влаги;
  • плохая вентиляция воздуха в камере хранения;
  • перепады температур (при хранении или после выгрузки плодов из камер для реализации);
  • повышенная концентрация этилена в камерах хранения;
  • недостаточно понижена концентрация кислорода в камерах с РА. Высокая эффективность часто достигается только при использовании очень низких концентраций кислорода (1,5% и ниже);

Меры борьбы с болезнью должны быть направлены на снижение интенсивности окислительных процессов вообще и фарнезена в частности (обработка ингибиторами этилена, хранение в атмосфере с низким или очень низким содержанием кислорода (РА, ULO, DCA), удаление этилена.

Подкожная пятнистость или горькая ямчатость (Bitter pit). Все изучаемые сорта при определенных условиях поражаются этой болезнью. Степень восприимчивости к данному заболеванию оценивается как низкая. Признаком заболевания служат маленькие вдавленные пятна диаметром от 1 до 4 мм и более. Пятна могут появляться в саду, обычно на верхней части плода и при хранении приобретают или яркую окраску или тёмно-зелёную окраску. Заболевание приводит к отмиранию участков ткани, поражённая мякоть приобретает губчатую структуру и горький вкус. Основной причиной развития болезни является нарушение минерального баланса плодов – недостаточное количество кальция и избыточное – калия, магния и азота. Недостаток кальция приводит к преждевременному разрушению биомембран клеточной структуры и, как следствие, – гибель отдельных тканей плодов [81, 82, 92, 98].

Причины, способствующие появлению горькой ямчатости:

  • закладка на хранение крупных плодов с молодых, малоурожайных деревьев;
  • интенсивная омолаживающая обрезка;
  • внесение повышенных доз азотных или калийных удобрений (антагонистов кальция);
  • поздние поливы;
  • отсутствие контроля за концентрацией минеральных веществ в плодах.

Меры борьбы с болезнью должны быть направлены не только на получение максимального урожая, но и на получение лежкоспособных плодов среднего размера с заданным содержанием кальция, калия, магния, фосфора и азота и их соотношением. Высокой устойчивостью к горькой ямчатости обладают партии плодов содержащие на 100 г сырой массы: Ca ≥ 5 мг; Р ≥ 9 мг при соотношении (К+ Mg) /Ca< 25…30; N/Ca < 10; Сa/ Mg >1.

Эффективно проведение 3-5-ти некорневых подкормок солями или хелатами кальция (брексил кальция или кальбит) 0,7-1,0% концентрации с интервалом 10-14 дней или послеуборочные погружения плодов в 4% раствор солей или хелатов кальция.

Распад от старения (Senescent breakdown). Болезнь проявляется в виде потери плодами своей обычной консистенции: мякоть становится рыхлой и мучнистой, при нажиме легко проминаются, часто растрескиваются, они легче по массе. Плоды теряют аромат, становятся безвкусными, иногда приобретают неприятный вкус из-за образования в тканях спирта и уксусного альдегида. Из изучаемых сортов генетически восприимчив к данному заболеванию Сары Синап. Степень восприимчивости оценивается как низкая. Наступление болезни связано с аэробным образованием ацетальдегида в процессе плодов между кожицей и кольцом сосудистых пучков.

Одной из основных причин поражения плодов является несбалансированность минеральных веществ – низкое содержание кальция, повышенное калия, магния, высокое соотношение К+Mg/Ca, N/Ca и низкое Са/Mg. Наиболее восприимчивы к этому заболеванию партии плодов, содержание кальция в которых ниже 5 мг/100 г, при отношении К+Mg/Ca> 25 [81, 92].

Причины, способствующие появлению болезни:

  • закладка на хранение перезревших плодов;
  • отсутствие контроля за концентрацией минеральных веществ в плодах.

Меры борьбы с болезнью должны быть направлены на получение лежкоспособных плодов среднего размера с заданным минеральным составом. Высокой устойчивостью к распаду от старения обладают партии плодов содержащие на 100 г сырой массы: Ca ≥ 5 мг; Р ≥ 9 мг при соотношении (К+ Mg) /Ca< 25…30; N/Ca < 10; Сa/ Mg >1 и на уборку плодов в оптимальной степени зрелости.

Внутреннее побурение от старения. Плоды теряют характерную сорту консистенцию. Мякоть становится рыхлой, мучнистой, при нажиме легко проминающейся. У некоторых сортов мякоть темнеет. Плоды теряют хруст, аромат и вкус из-за накопления спирта и других анаэробных продуктов. В связи с этим, для снижения данного заболевания также рекомендуются следующие мероприятия: использование слаборослых подвоев, оптимизация минерального питания (ограничение азотных удобрений), соблюдение технологии обрезки, стимулирование закладки цветковых почек, образования и сохранения завязи, обеспечение регулярного полноценного плодоношения, своевременное прекращение поливов, подрезание штамбов, подрезка корней) [81, 92, 97-99].

Причины, способствующие появлению болезни:

  • закладка на хранение перезревших плодов;
  • низкое содержание кальция в плодах;
  • обильные поливы или дожди перед уборкой;
  • высокие температуры в период выращивания и низкие температуры в период уборки.

Меры борьбы с болезнью должны быть направлены на получение плодов с заданным минеральным составом. Высокой устойчивостью к распаду от старения обладают партии плодов содержащие на 100 г сырой массы: Ca ≥ 5 мг; Р ≥ 9 мг при соотношении (К+ Mg) /Ca< 25…30; N/Ca < 10; Сa/ Mg >1. Кроме того необходимо прекратить поливы в предуборочный период и закладывать на хранение плоды в оптимальной степени зрелости.

Стекловидность (Water core). При заболевании отдельные участки плода наполняются соком, становятся более тяжелыми и твердыми. Болезнь проявляется до съема плодов в саду или в первый период хранения. При слабой степени поражения её трудно обнаружить и своевременно отсортировать. Поражение наливом происходит в годы с теплой и солнечной осенью, когда плоды быстро перезревают. Основой развития заболевания является нарушение различных звеньев обмена веществ, приводящих к накоплению в межклеточном пространстве многоатомного спирта сорбитола, ассимилирующегося в листьях и транспортирующегося в плоды [81,94].

Как правило, плоды, поражённые стекловидностью, содержат кальция меньше, чем здоровые. Обычно плоды пораженные наливом предрасположены и к внутреннему побурению.

Причины, способствующие появлению болезни:

  • закладка на хранение перезревших плодов;
  • низкое содержание кальция в плодах;
  • высокие температуры в период выращивания и уборки.

Меры борьбы с болезнью: Своевременная уборка плодов в оптимальной степени зрелости и быстрое их охлаждение. Повышение концентрации кальция в плодах путем некорневых подкормок.

К наиболее вредоносным грибными гнилями плодов яблони выращенных в условиях ЦЧР относятся: голубая, серая, плодовая, плесневидная, горькая гнили и парша яблони.

Голубая гниль. Заболевание проявляется в виде небольших водянистых пятен, от светло-зеленого до коричневого цвета. Вначале пятна поверхностные, затем очень быстро распространяются, проникая до сердцевины и охватывая большую часть плода. Развитие болезни зависит от температурных условий, низкие температуры сдерживают его.

Заражение плодов обычно происходит через повреждённые участки кожицы (проколы, ушибы), а также плодоножку или чечевички [92, 95].

Опрыскивание деревьев яблони в процессе вегетации хлоридом кальция, селенистой кислотой способствует снижению поражения плодов данным заболеванием [92].

Серая гниль (ботритиоз). Возбудитель болезни гриб – Botrytis cinerea, живёт в почве на растительных остатках. Поражение плодов происходит как в саду, так и непосредственно в фруктохранинилище. Болезнь проявляется в виде мягкой гнили плода, который становится коричневым и приобретает кислый вкус. При благоприятных условиях (высокой влажности воздуха) на поверхности плода образуется серый пушистый налет, состоящий из мицелия, конидиеносцев и конидий возбудителя [94].

Плодовая гниль (монилиоз). Болезнь проявляется на плодах вначале в виде буроватых пятен, которые быстро разрастаются, охватывая всю поверхность. При развитии болезни на поверхности плодов образовываются круги из беловато-жёлтых подушечек или происходит мумификация яблок. Пораженные плоды приобретают чёрную или синевато-чёрную окраску на гладкой поверхности.

Заражение происходит в саду, при транспортировке, в хранилище. Через механические повреждения кожицы, вызванными различными причинами, контакты здоровых плодов с больными [92, 94, 95].

Оливковая плесневидная гниль (альтернариоз). Проявляется в середине, или в конце хранения, на перезревших плодах. В местах повреждения появляются округлые коричневые или темные пятна, окаймленные более темной бороздкой. Ткань под пятном меняет окраску от тёмно-коричневой до чёрной, становится или твёрдой или пористой (губчатой). Болезнь часто развивается на плодах пораженных горькой ямчатостью [92, 94, 95]. Заражение происходит, прежде всего, в местах имеющих микротрещины, наколы и другие механические повреждения.

Горькая гниль (антракноз). Возбудитель – гриб Gloeosporium fructigenum. Заражение плодов происходит в саду, через механические повреждения, а развитие болезни происходит в хранилищах [94]. В местах повреждения образуются бурые округлые пятна. Поражённая ткань под кожицей плода буреет, размягчается и приобретает горький вкус. Развитие болезни происходит интенсивнее при высокой влажности и повышенных температурах [95].

Парша яблони. Первичное заражение происходит в саду уже весной, начиная с фенофазы набухания почек [89, 94]. Болезнь проявляется в виде округлых, темных пятен с налетом спороношения. Под пятнами образуется пробковый слой, глубже которого гриб не проникает. При раннем заражении плоды могут быть настолько поврежденными, что приобретают уродливую форму, становятся однобокими. При позднем заражении симптомы болезни в саду часто не видны, а становятся заметными лишь в процессе хранения. Болезнь сильнее проявляется в прохладные и влажные годы.

4.3 Анализ результатов исследований

Степень зрелости перед хранением оказывает огромное влияние на лежкоспособность плодов и их устойчивость к грибным и физиологическим заболеваниям. Проведенные в исследования, таблица 3.2, данного отчета, показали, что плоды сорта Жигулевское имели степень зрелости 4,9 баллов, сорта Лобо 4,6 балла и сорта Лигол 2,6 балла. Полученные данные свидетельствуют о том, что плоды, убранные 11.09.2019 года у разных сортов имели существенные различия по степени зрелости. Плоды сорта Жигулевское следует отнести к полностью созревшим. Плоды сорта Лобо соответствовали потребительской зрелости. Плоды сорта Лигол имели степень зрелости оптимальную для закладки на длительное хранение.

При снижении концентрации кислорода в герметичных контейнерах с хранимой продукцией наблюдались пики сигнала флуоресценции хлорофилла, рисунок 4.11-4.13.

C:\Users\Валерий\Desktop\ЦИФРЫ\Новая папка\Фото контейнеров\12 контейнер\Фрагмент12.jpg

Рисунок 4.11 – Достижение стрессовой концентрации кислорода для плодов сорта Лигол по пику флуоресценции хлорофилла

C:\Users\Валерий\Desktop\ЦИФРЫ\Новая папка\Фото контейнеров\14 контейнер\Фрагмент14.jpg

Рисунок 4.12 – Достижение стрессовой концентрации кислорода для плодов сорта Лобо по пику флуоресценции хлорофилла

C:\Users\Валерий\Desktop\ЦИФРЫ\Новая папка\Фото контейнеров\16 контейнер\Фрагмент16.jpg

Рисунок 4.13 – Достижение стрессовой концентрации кислорода для плодов сорта Жигулевское по пику флуоресценции хлорофилла

Начало подъема сигнала флуоресценции хлорофилла свидетельствует о том, что концентрация кислорода опустилась ниже предельно допустимой и у плодов начинается проявление аноксии. Высота пика зависит от генетических особенностей сорта и скорости снижения концентрации кислорода, которая обуславливается интенсивностью дыхания яблок. После повышения концентрации кислорода на 0,2%, т.е. до безопасного для плодов уровня, значение сигнала флуоресценции хлорофилла опускается до исходного.

В результате проведенных экспериментов были получены предварительные данные по стрессовым и минимально допустимым (предельным) концентрациям кислорода для исследуемых сортов, таблица 4.1

Таблица 4.1 – Стрессовые и минимально допустимые концентрации кислорода для сортов Жигулевское, Лобо и Лигол.

Сорта Стрессовые концентрации кислорода, % Минимально допустимые концентрации кислорода, %
Жигулевское 0,4 0,6
Лобо 0,3 0,5
Лигол 0,3 0,5

Таблица 4.2- Биохимические показатели плодов яблони перед закладкой на хранение

Сорт СРВ,% Сахара,% Титр. кислотность, % Аскорбиновая к-та, мг/%
моно- ди- сумма
Жигулевское 16,71 7,22 6,49 13,71 0,35 4,40
Лобо 18,43 9,66 4,28 19,94 0,30 3,64
Лигол 19,02 9,23 6,34 15,57 0,27 2,64

В процессе 4-ех месячного хранения сорта Лобо, Лигол и Спартан были склоны к потере твердости, таблица 4.3. Так, перед хранением твердость плодов у сорта Жигулевское составляла 7,0 кг/см2, у сорта Лобо 7,2 и у сорта Лигол 8,2 кг/см2.

Таблица 4.3- Изменение твердости ткани плодов при хранении в различных условиях, кг/см2.

ОА РА DCA
Жигулевское
Съем 6,8 6,8 6,8
4 месяца 3,8 (-44,1%) 4,6 (-32,4%) 5,0 (-26,5%)
4 месяца +10 дней в комнате 3,0 (-55,9%) 3,5 (-48,5%) 4,1(-38,2%)
Лобо
Съем 7,2 7,2 7,2
4 месяца 3,9(-45,8%) 6,2 (-13,9%) 6,6 (-8,3%)
4 месяца +10 дней в комнате 3,1(-56,9%) 4,6 (-36,1%) 5,0 (-30,6%)
Лигол
Съем 8,2 8,2 8,2
4 месяца 6,8(-17,0%) 7,5 (-8,5%) 7,7(-6,1%)
4 месяца +10 дней в комнате 4,4 (-35,2%) 5,9(-28,0%) 6,4(-21,9%)

После 4 месяцев хранения во всех вариантах (ОА, ULO, DCA) произошли существенные изменения по показателю твердости ткани плодов, таблица 4.3. Хранения яблок в условиях пониженных концентраций кислорода существенно замедлило снижение твердости их ткани у всех изучаемых сортов. Так, наибольшее снижение твердости ткани яблок было в условиях обычного холодильного хранения ОА и составило: для сорта Жигулевское – 44,1%, сорта Лобо – 45,8 % и сорта Лигол – 17,0 %. При 4-ех месячном хранении в вариантах РА и DCA твердость плодов снижалась менее интенсивно. В этих вариантах к концу хранения снижение твердости составило у сорта Жигулевское 32,4 и 26,5%, у сорта Лобо 13,9 и 8,3%, у сорта Лигол 8,5 и 6,1% соответственно. После 10 дневного пребывания в помещении с комнатной температурой более высокую твердость сохранили плоды, хранившиеся в условиях РА, а самую высокую в условиях DCA.

В результате исследований выявлены основные заболевания плодов яблони изучаемых сортов. Загаром После 4 месяцев хранения во всех вариантах (ОА, ULO, DCA) выход товарных плодов составил: для сорта Лобо – 96%, для сорта Лигол –98%, для сорта Жигулевское–85%; остальная часть – поражение грибными гнилями.

Таблица 4.4 – Развитие физиологических и микробиологических заболеваний при 4-ех месячном хранении

Режим Результат хранения, %
Внутреннее побурение Подкожная пятнистость Разложение от старения СО2 повреждения Грибные гнили, %
Жигулевское
ОА 10,2 12,5
ULO 7,3 1,4 2,5
DCA 6,5 0,6 1,9
Лобо
ОА 1,2 2,0 2,8
ULO 1,4 1,6
DCA 0,8 1,2
Лигол
ОА
ULO
DCA

Генетически изучаемые сорта по восприимчивости к физиологическим болезням различаются между собой. Сорт Жигулевское имеет предрасположенность к повреждению побурением сердцевины, внутренним побурением, подкожной пятнистостью и распадом от старения. Сорт Лобо предрасположен к повреждению внутренним побурением от старения, подкожной пятнистостью и распадом от старения, но восприимчивость к этим болезням у этого сорта меньше, чем у сорта Жигулевское.

В процессе 4-ех месячного хранения сорт Лигол не поражался загаром и другими физиологическими. Сорта Жигулевское и Лобо, также загаром не повреждались но повреждались другими физиологическими болезнями. Степень повреждения зависела от условий хранения и изменялась у сорта Жигулевское от 22,7% в варианте ОА, до 11,2% в варианте РА, и до 9,0% в варианте DCA. Сорт Лобо повреждался на 60% в варианте с ОА, на 3,0% в варианте с РА и на 2,0% в варианте с DCA. Но повреждались заболеваниями, но были склоны к потере твердости и естественной убыли массы.

Таким образом, проведенные исследования показали, что традиционный способ простого холодильного хранения, т.е. использование только одного фактора замедления метаболических процессов – температуры, не обеспечивает должного сохранения качества плодов различной лежкости и степени зрелости и их надежной защиты их от физиологических заболеваний.

Хранение яблок в регулируемой атмосфере с концентрацией кислорода 1,5% (ULO) обеспечивает значительно лучшее сохранение твердости плодов и более эффективную их защиту от поражения физиологическими заболеваниями по сравнению с обычной атмосферой.

Для всех изучаемых сортов динамическая регулируемая атмосфера, в которой концентрация кислорода поддерживается на минимально допустимом для сорта уровне (Жигулевское -0,5%, Лигол – 0,5 %, Лобо – 0,6 %,) обеспечивает максимальную сохранность исходной твердости и надежную защиту яблок от поражения физиологическими и грибными заболеваниями.

5. РАЗРАБОТКА НОВЫХ И УСОВЕРШЕНСТВОВАНИЕ СУЩЕСТВУЮЩИХ МЕТОДИК ПРОВЕДЕНИЯ НАУЧНЫХ ИССЛЕДОВАНИЙ В РАСТЕНИЕВОДСТВЕ

В настоящее время в сельскохозяйственном производстве Тамбовской области возделываются сорта озимой пшеницы разной интенсивности, что позволяет использовать их с учетом дифференциации районов по почвенно-климатическим зонам, предшественникам, обеспеченности минеральными удобрениями и средствами защиты. Это сорта трех основных групп:

1. Полуинтенсивного типа – как правило, высокорослые, для посевов по удобренным непаровым предшественникам с использованием экстенсивных технологий, с возможностью возделывания в экстремальных почвенно-климатических условиях.

2. Универсального типа – для возделывания по удобренным лучшим непаровым предшественникам, а также по неудобренным парам с использованием среднеинтенсивных технологий.

3. Интенсивного типа – как правило, короткостебельные, полукарлики и карлики. Возделываются по черным и занятым парам, зернобобовым предшественникам. Технологии ‒ интенсивные.

Кроме того, сорта можно разделить еще и на такие группы как требовательные к агрофону, для ресурсосберегающих технологий, высокоадаптивные, с возможностью поздних сроков сева, сорта-двуручки с коротким периодом яровизации [31, 47, 100].

Главный лимитирующий фактор при возделывании озимой пшеницы является влагообеспеченность. Поэтому лучшими предшественниками для этой культуры являются такие, после которых остается или накапливается к началу ее посева достаточное количество продуктивной влаги в пахотном слое почвы рисунок 5.1 [103-105].

К сожалению, получение информации о физиологическом состоянии посева и содержании в растениях элементов минерального питания является трудоемким мероприятием, а в силу больших площадей обследования – не всегда достаточно точными. Для этих целей возможно применение оптических методов оценки, которые отличаются объективностью и оперативностью, но пока еще недостаточно разработаны методически. Поэтому необходимы исследования по выявлению особенностей взаимосвязи данных дистанционного мониторинга посевов с их состоянием, результаты которых можно использовать при составлении рекомендаций по уходным мероприятиям.

word image 187  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 5.1 – Влияние различных факторов на урожайность озимой пшеницы

Показатели фотосинтетической продуктивности, формирование урожая озимой пшеницы изучали на производственных посевах ФГБОУ ВО Мичуринского ГАУ.

В таблице 5.1 приведены природно-климатические условия.

Таблица 5.1 – Природно-климатические условия

Тип почвы: типичный чернозём
Рельеф: равнинный
Климат: умеренно континентальный
Сумма активных температур на дату съемки: 455 °С
Среднее многолетнее: 744 °С
Общий объем осадков с 01.03.2019 г на дату съемки: 37 мм.
Среднее многолетнее за тот же период: 32 мм.

Культурой произрастания на исследуемых территориях являлась пшеница озимая Мироновская 808. Характеристики культуры приведены в таблице 5.2.

Таблица 5.2 – Пшеница озимая Мироновская 808

Оригинатор: ФГБОУ ВО Мичуринский ГАУ
Селекционер (Фирма, Заявитель) Мирон.инст.пшеницы
Год регистрации 1963
Тип колоса безостый
Группа спелости среднеспелый
Зимо-холодостойкость: выше средней
Устойчивость к засухе выше средней
Устойчивость к полеганию высокая
Устойчивость к осыпанию высокая
Устойчивость к болезням средняя
По качеству зерна сильная

Результаты полетов в виде полученных аэрофотоснимков загружали в специальное программное обеспечение, где «сшивали» для получения аэрофотоплана в системе координат WGS84.

На протяжении всей стадии обработки данных, большое внимание оказывается точности. БПЛА настроен таким образом, что при возникновении нештатных ситуаций всегда остается возможность для анализа полученных данных [101, 102]. Как видно на снимках, БПЛА делает очень большое перекрытие между снимками, что позволяет рассмотреть одну точку с 12-ти фотографий под разными ракурсами, рисунок 5.2. Ракурсы снимков и положение по отношению к земле мультиспектральной камеры также предоставляется возможным оценить.

E:\пр\Снимок.JPG

Рисунок 5.2 – Схема расположения фотоснимков

После обработки фотоснимков становится отчетливо видна густота растительного покрова, его зелёная фитомасса, общее состояние растительности, рисунок 5.3, появляется возможность вычисления абсолютного значения агроиндекса согласно градуированной шкале для дальнейшего прогнозирования развития посевов.

E:\поле 1 - ndvi(2).jpg

Рисунок 5.3 – Качество растительности (индекс NDVI) по исследуемом поле озимой пшеницы

После проведения работ на исследуемых сельскохозяйственных угодьях было выявлено, что часть посевов были в угнетенном состоянии в следствии вымокания и выпревания из – за продолжительного застоя воды после весенних паводков, также заметны были высохшие русла ручья, что способствовало вымыванию плодородного слоя почвы в сторону ближайшего водоисточника. На данных участках вегетационный индекс NDVI был ниже чем у соседней здоровой растительности. Также имелись участки, в которых растительность имела низкий показатель, в следствии плохой агротехнической работы, рисунок 5.4.

E:\1.PNG E:\3.PNG

Рисунок 5.4 – Проблемные участки исследуемого поля

C:\Users\user1\AppData\Local\Microsoft\Windows\INetCache\Content.Word\поле 1 - готово.jpg

поле 6 - готово

поле (3)

C:\Users\user1\AppData\Local\Microsoft\Windows\INetCache\Content.Word\поле (3).jpg

word image 188  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Таким образом, вегетационный индекс посевов озимой пшеницы, рассчитанный на основе данных дистанционного зондирования, отражает процесс формирования урожая зерна. Среднее значения индекса NDVI на исследуемом поле в 2019 г. составило 0,6 – 0,65, данный показатель довольно информативен для оценки физиологического состояния посевов и прогнозирования продуктивности сельскохозяйственных культур [21, 102].

Были построены регрессионные модели зависимости урожая зерна озимой пшеницы от NDVI за вегетативно-генеративный период, рисунок 5.5. Полученные таким способом модели характеризуются хорошими показателями достоверности.

Таким образом, коэффициент аппроксимации полученной модели составил величину равную 0,83, а коэффициент корреляции – 0,81.

word image 189  Использование цифровых технологий для производства, оценки урожая, сбора, хранения сельскохозяйственной продукции (в т.ч. индекс NDVI)

Рисунок 5.5 – Регрессионная модель зависимости урожая зерна от NDVI за вегетативно-генеративный период.

Использование данных с беспилотного летательного аппарата (вегетационный индекс NDVI) позволяет оперативно оценивать физиологическое состояние посевов и контролировать процесс развития растительности.

Данные, полученные при помощи беспилотного летательного аппарата, позволяют делать прогноз урожайности озимой пшеницы. Это оказывает положительное влияние на экономический эффект и финансовое планирование.

Использование полученных данных позволяет построить регрессионную модель зависимости урожая зерна озимой пшеницы от вегетационного индекса NDVI с высокой точностью.

ЗАКЛЮЧЕНИЕ

Применение цифровых технологий в сельскохозяйственном производстве позволяет оптимизировать сроки посадки и сбора урожая, автоматизировать внесение необходимого количества удобрений, поддерживать заданные режимы хранения продукции.

Проведение исследований, направленных на использование БПЛА в сельскохозяйственном производстве с целью управления продукционным процессом интенсивных садов, полей, их цифровизацией, а также своевременное реагирование на проявление абиотических (климатических) факторов, отрицательно влияющих на их развитие сводилось к определению индекса NDVI.

Для проведения исследований был разработан алгоритм работы с оборудованием и получаемыми данными. Были получены изображения в различных спектрах, на основании полученных данных сформированы ортофотопланы исследуемых участков в динамике, что дало возможности определить ряд проблемных участков.

Ключевыми преимуществами использования полученных электронных карт полей является оптимизация производственных мощностей с целью получения стабильного максимального дохода и ресурсосбережения, а также изучение и анализ тематических карт агрохимического мониторинга полей, возделываемой культуры, вносимых удобрений, урожайности, экономической эффективности культуры и др.

С использованием различных программных продуктов также были проведены исследования по оценке формирования кроны плодового дерева на основе анализа изображений ее проекции, на исследуемом участке интенсивного сада было выявлено 8% деревьев, требующих применения определенных агротехнологических мероприятий связанных в обработкой и обрезкой.

В ходе проведенных исследований определена высокая эффективность и точность использования программного обеспечения «Amilon» для оценки йод-крахмальной пробы при закладки ряда основных сортов яблок на длительное хранение, определено что часть исследуемых яблок закладывать на длительное хранение экономически не целесообразно.

В ходе работ по разработке экологически безопасной технологии длительного хранения плодов и овощей в динамической атмосфере (по флуоресценции хлорофилла) определено, что начало подъема сигнала флуоресценции хлорофилла свидетельствует о том, что концентрация кислорода опустилась ниже предельно допустимой и у плодов начинается проявление аноксии. Высота пика зависит от генетических особенностей сорта и скорости снижения концентрации кислорода, которая обуславливается интенсивностью дыхания яблок. После повышения концентрации кислорода на 0,2%, т.е. до безопасного для плодов уровня, значение сигнала флуоресценции хлорофилла опускается до исходного.

В процессе хранения в вариантах с динамической регулируемой атмосферой поддерживались следующие концентрации кислорода: для сортов Лигол и Лобо – 0,5 %, Жигулевское – 0,6 %. В результате исследований выявлены основные заболевания плодов яблони изучаемых сортов. Загаром после 4 месяцев хранения во всех вариантах (ОА, ULO, DCA) выход товарных плодов составил: для сорта Лобо – 96%, для сорта Лигол –98%, для сорта Жигулевское–85%; остальная часть – поражение грибными гнилями.

После 4 месяцев хранения во всех вариантах (ОА, ULO, DCA) произошли существенные изменения по показателю твердости ткани плодов. Так, наибольшее снижение твердости ткани яблок было в условиях обычного холодильного хранения ОА и составило: для сорта Жигулевское – 44,1%, сорта Лобо – 45,8 % и сорта Лигол – 17,0 %. При 4-ех месячном хранении в вариантах РА и DCA твердость плодов снижалась менее интенсивно. В этих вариантах к концу хранения снижение твердости составило у сорта Жигулевское 32,4 и 26,5%, у сорта Лобо 13,9 и 8,3%, у сорта Лигол 8,5 и 6,1% соответственно. После 10 дневного пребывания в помещении с комнатной температурой более высокую твердость сохранили плоды, хранившиеся в условиях РА, а самую высокую в условиях DCA.

Таким образом, проведенные исследования показали, что традиционный способ простого холодильного хранения, т.е. использование только одного фактора замедления метаболических процессов – температуры, не обеспечивает должного сохранения качества плодов различной лежкости и степени зрелости и их надежной защиты их от физиологических заболеваний.

Исследования по оценке вегетационного индекса NDVI на посевах озимой пшеницы, рассчитанного на основе данных дистанционного зондирования, позволили изучить процесс формирования урожая зерна, в ходе исследований установлено, что среднее значения индекса NDVI на исследуемом поле в 2019 г. составило 0,6 – 0,65, данный показатель довольно информативен для оценки физиологического состояния посевов и прогнозирования продуктивности сельскохозяйственных культур.

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

  1. Федеральная служба государственной статистики [Электронный ресурс]. – URL: https://www.gks.ru/folder/10705 (дата обращения: 20.06.2019).
  2. Федоренко В.Ф., Мишуров Н.П., Буклагин Д.С., Гольтяпин В.Я., Голубев И.Г. Цифровое сельское хозяйство: состояние и перспективы развития: науч. издание – М.: ФГБНУ «Росинформагротех», 2019 – 316 с.
  3. Министерство сельского хозяйства Российской Федерации [Электронный ресурс]. – URL: http://mcx.ru/ (дата обращения: 20.06.2019).
  4. Федоров А.Д. Цифровизация сельского хозяйства – необходимое условие повышения его конкурентоспособности [Электронный ресурс]. – URL: http://svetich.info/publikacii/tochnoe-zemledelie/cifrovizacija-selskogohozjaistva- neobho.html (дата обращения: 03.05.2019).
  5. ИТ в агропромышленном комплексе России [Электронный ресурс]. – URL: http://www.tadviser.ru (дата обращения: 03.05.2019).
  6. Цифровизация сельскохозяйственного производства России на период 2018-2025гг. Исследование кооперационного проекта «Германо-Российский аграрно-политический диалог» Москва/Берлин, декабрь 2018. Издатель: Проект «Германо-Российский аграрно-политический диалог».
  7. Милюткин, В.А. Высокоэффективная техника для энерго-, влаго-, ресурсосберегающих мировых технологий Mini-Till, No-Till в системе точного земледелия России : монография / В.А. Милюткин, В.Э. Буксман, М.А. Канаев. — Самара : СамГАУ, 2018. — 182 с. — ISBN 978-5-88575-531-3. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/113425
  8. Ведомственный проект «Цифровое сельское хозяйство»: официальное издание. – М.: ФГБНУ «Росинформагротех», 2019. – 48 с.
  9. Дорожная карта Центра компетенций ЦК НТИ по направлению «Технологии беспроводной связи и интернета вещей» [Электронный ресурс]. – URL: https://iot.skoltech.ru/selskoe-hozyajstvo/ (дата обращения: 02.03.2019).
  10. IoT в России – что думают эксперты? Документ iot_in_russia.pdf с сайта csr-nw.ru) (дата обращения: 10.02.2019).
  11. Kargin, V.I, Zaharkina, R.A., Danilin S.I., Geraskin M.A. Economic evaluation of winter rye cultivation technology //Espacic Vol.40 (number 24) Year 2019. Page 22
  12. A.I. Kuzin, N.Y. Kashirskaya, A.M. Kochkina, B.I. Smagin Plant Protection And Foliar Fertilizing Technology Of Apple (Malus Domestica Borkh) International Journal of Engineering and Advanced Technology (IJEAT) Sсopus ISSN: 2249 – 8958, Volume-8 Issue-6, August 2019 – P. 3613 – 3620
  13. Космический мониторинг земель сельскохозяйственного назначения юга России / В.Е. Зинченко, О.И. Лохманова, В.П. Калиниченко, А.И. Глухов, В.И. Повх, Л.А. Шляхова // Исследование Земли из космоса. – 2013. – № 3. – С. 33–44.
  14. Зубарев Ю. Н. Зарубежный опыт применения технологии точного земледелия) [Электронный ресурс] / Ю. Н. Зубарев // Информационное агентство «Светич» – Режим доступа: http://svetich.info/publikacii/tochnoe-zemledelie/zarubezhnyi-opyt-primenenija-tehnologii-.html.
  15. Щеголихина Т. А. Современные технологии и оборудование для систем точного земледелия : науч.-аналит. обзор / Т. А. Щеголихина, В. Я. Гольтяпин. – М. : ФГБНУ «Росин-формагротех», 2014. – 80 с.
  16. Nikitin A.V., Kuzicheva N.Yu, Innovative Technologies in Agriculture// International Journal of Recent Technology and Engineering (IJRTE) ISSN: 2277-3878, Volume-8 Issue-4, November 2019
  17. Nikitin A.V., Trunova S.N., Voropaeva V.A. The Assessment of the Effectiveness of the Implementation of Scenarios for the Sustainable Development of Agriculture // International Journal of Innovative Technology and Exploring Engineering (IJITEE) ISSN: 2278-3075, Volume-8 Issue-10, August 2019
  18. Minakov I.A., Nikitin A.V. Agricultural market development: trends and prospects //International Journal of Innovative Technology and Exploring Engineering (IJITEE) ISSN: 2278-3075, Volume-9 Issue-1, November, 2019
  19. Huete, A.R., Liu, H.Q. An Error and Sensitivity Analysis of the Atmospheric and Soil-Correcting Variants of the NDVI for the MODISEOS // IEEE Transactions on Geoscience and Remote Sensing. Volume 32, Issue 4, July 1994, Pages 897-905. Department of Soil and Water Science, University of Arizona, Tucson, AZ 85721, United States
  20. Voronina P.V., Mamash E.A. Classification of thematic monitoring for agriculture problems using remote sensing MODIS data // Computational Technologies. 2014. Vol. 19, No. 3. P. 76–102.
  21. Astapov A.Yu., Prishutov K.A., Krivolapov I.P., Astapov S.Y., Korotkov A.A. Unmanned aerial vehicles for estimation of vegetation quality AMAZONIA INVESTIGA, Vol. 8 Núm. 23: 27 – 36 /Noviembre – diciembre 2019
  22. Ünsalan, C., Boyer, K.L. Linearized vegetation indices based on a formal statistical framework // IEEE Transactions on Geoscience and Remote Sensing Volume 42, Issue 7, July 2004, Pages 1575-1585. Sign. Anal./Mach. Percept. Lab., Ohio State University, Columbus, OH 43210, United States
  23. Лиджиева Н.Ц. Опыт применения индекса вегетации (NDVI) для определения биологической продуктивности фитоценозов аридной зоны на примере региона Черные земли / Н.Ц. Лиджиева, С.С. Уланова, Н.Л. Федорова // Известия Саратовского университета. Серия: химия, биология, экология. – 2012. – Т. 12, № 12. – С. 93–96.
  24. Комаров А.А. Использование сопряженных данных дистанционного и наземного зондирования при оценке состояния растительного покрова / А.А. Комаров //Экология родного края: проблемы и пути их решения. – Киров: ВятГУ, 2018. – C.77-81.
  25. Михайленко И.М. Математическое моделирование роста растений на основе экспериментальных данных /И.М. Михайленко // Сельскохозяйственная биология. – 2007. – № 1. – С. 103–111.
  26. Мозговой Д. К., Использование многоспектральных снимков для классификации посевов сельхозкультур/ Д.К. Мозговой, О.В. Кравец// Экология и ноосфера. – 2009. – № 1-2. – С. 54-58.
  27. Письман Т.И. Определение сезонной динамики урожайности агроценозов на основе спутниковой информации и математической модели / Т.И. Письман, И.Ю. Ботвич, А.Ф. Сидко // Известия РАН. Серия биологическая. – 2014. – № 2. – С. 196–202.
  28. Практикум по точному земледелию : учебное пособие / А.И. Завражнов, М.М. Константинов, А.П. Ловчиков, А.А. Завражнов. — Санкт-Петербург : Лань, 2015. — 224 с. — ISBN 978-5-8114-1843-5. — Текст : электронный // Лань :электронно-библиотечная система. — URL: https://e.lanbook.com/book/65047
  29. Современные технологии обработки данных дистанционного зондирования Земли ; под ред. В.В. Еремеева. – Москва : ФИЗМАТЛИТ, 2015. – 460 с.
  30. Соловьева, Н.Ф. Опыт применения и развитие систем точного земледелия: Науч. ан. обзор / Н.Ф. Соловьева. — пос. Правдинский : Росинформагротех, 2008. — 100 с. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/104373
  31. Сторчак И.Г. Прогнозирование урожайности озимой пшеницы с использованием вегетационного индекса NDVI для условий Ставропольского края : автореф. дис. … канд. с.-х. наук : 06.01.01 / И.Г. Сторчак. – Ставрополь, 2016. – 22 с.
  32. Колотий А.В. Прогнозирование урожайности озимой пшеницы по различным спутниковым данным / А.В. Колотий // Індуктивне моделювання складних систем. – 2014. – Вип. 6. – С. 107–116.
  33. Щеголихина, Т.А. Современные технологии и оборудование для систем точного земледелия: науч.-аналит. обзор / Т.А. Щеголихина, В.Я. Гольтяпин. — пос. Правдинский : Росинформагротех, 2014. — 80 с. — ISBN 978-5-7367-1041-6. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/104403
  34. Черепанов А. С. Вегетационные индексы/ А.С. Черепанов // Геоматика. – 2011. – № 2. – С. 98-102.
  35. Трубилин Е. И. Сельскохозяйственные машины : учеб. пособие / Е. И. Трубилин, Е. В. Труфляк. – Краснодар : КубГАУ, 2008. – 225 с.
  36. Труфляк, Е.В. Точное земледелие : учебное пособие / Е.В. Труфляк, Е.И. Трубилин. — 2-е изд., стер. — Санкт-Петербург : Лань, 2019. — 376 с. — ISBN 978-5-8114-4580-6. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/122186
  37. Huang J, Wang X, Li X, Tian H, Pan Z (2013) Remotely Sensed Rice Yield Prediction Using Multi-Temporal NDVI Data Derived from NOAA’s-AVHRR. PLoS ONE 8(8): e70816. https://doi.org/10.1371/journal.pone.0070816
  38. Lei Yu., Wang Zh., Li H. et al. Assessment of nitrate leaching on agriculture region using remote sensing and model // Remote Sensing for Agriculture, Ecosystems, and Hydrology XI the Intern. Society for Optical Eng. Berlin, Germany, 2009. P. 74722A-10.
  39. Патент РФ № 2294091, Кл. 7 A01G 7/00, опубл. 27.02.2007. Бюл. № 6. Способ оценки потенциальной продуктивности сельскохозяйственных растений, преимущественно коллекционных сортов яровых зерновых колосовых культур, при возделывании в условиях резко континентального климата.
  40. Прогнозирование урожайности зерновых и зернобобовых культур в центральных черноземных областях на основе комплексирования наземных и спутниковых данных. А.И. Страшная, Л.Л. Тарасова, Н.А. Богомолова, Т.А. Максименкова, О.В. Береза // Труды гидрометеорологического научно-исследовательского центра РФ. Изд-во: Гидрометеорологический научно-исследовательский центр Российской Федерации (Москва) ISSN: 0371-7089
  41. Kriegler, F., Malila, W., Nalepka, R., & Richardson, W. (1969). Preprocessing transformations and their effect on multispectral recognition. Proceedings of the 6th International Symposium on Remote Sensing of Environment. Ann Arbor, MI: University of Michigan, 97-131.
  42. Пильникова Н. В. Повышение эффективности применения ресурсосберегающих технологий точного земледелия : автореф. дис. … канд. экон. наук / Н. В. Пильникова. – Красноярск, 2012. – 19 с.
  43. Точное сельское хозяйство (Precision Agriculture) : учеб.-практ. пособие / под ред. Д. Шпаара, А. В. Захаренко, В. П. Якушева. – СПб. : Пушкин, 2009. – 397 с.
  44. Рунов Б. А. Основы технологии точного земледелия. Зарубежный и отечественный опыт. – 2-е изд., исправ. и дополн. / Б. А. Рунов, Н. В. Пильникова. – СПб. : АФИ, 2012. – 120 с.
  45. Возможности дистанционной оценки урожайности озимой пшеницы на основе вегетационного индекса фотосинтетического потенциала / Ф.В. Ерошенко, С.А. Барталев, И.Г. Сторчак, Д.Е. Плотников// Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 4. С. 99–112
  46. Анализ результатов прогнозирования урожайности яровой пшеницы на основе временных рядов статистических данных и интегральных индексов вегетации / Л.Ф. Спивак, И.С. Витковская, М.Ж. Батырбаева, А.М. Каузов // Современные проблемы дистанционного зондирования Земли из космоса. – 2015. – Т. 12, № 2. – С. 173–182.
  47. Астапов А.Ю. Использование беспилотного летательного аппарата для оценки состояния полевых культур/ А.Ю. Астапов, К.А. Пришутов // В сборнике: Импортозамещающие технологии и оборудование для глубокой комплексной переработки сельскохозяйственного сырья материалы I Всероссийской конференции с международным участием. 2019. С. 472-477
  48. Астапов А.Ю. Использование БПЛА для проведения изыскательных работ в геодезии на начальном этапе благоустройства и строительства /А.Ю. Астапов, Р.А. Щукин, К.А. Пришутов/ В сборнике: Геодезия, землеустройство и кадастры: проблемы и перспективы развития, посвященная 100-летию советской геодезии и картографии Сборник материалов I Международной научно-практической конференции. 2019. С. 144-147
  49. Астапов А.Ю. Перспективы использования беспилотных летательных аппаратов в садоводстве/ А.Ю. Астапов, К.А. Пришутов, С.С. Астапова //В сборнике: Инженерное обеспечение инновационных технологий в АПК Сборник материалов Международной научно-практической конференции. Под общей редакцией В.А. Солопова. 2018. С. 159-162
  50. Астапов А.Ю. Фотограмметрическая обработка изображений с беспилотных летательных аппаратов / В.И. Никитин, А.Ю. Астапов //В сборнике: Энергосбережение и эффективность в технических системах Материалы V Международной научно-технической конференции студентов, молодых учёных и специалистов. 2018. С. 170-172.
  51. Криволапов И.П. Автоматизированные системы контроля в сельском хозяйстве в контексте реализации концепта IоTAGRO / И.П. Криволапов, А.А. Коротков //Наука и Образование: электрон. журн. [Электронный ресурс]. – 2019. – №2. – Режим доступа: http://opusmgau.ru/index.php/see/article/view/613
  52. Криволапов И.П. Организация системы содержания почвы в вишневом саду / И.П. Криволапов, Т. Г-Г. Алиев, О.Е. Богданов, Р.Е. Богданов, Н.Е. Макова, Г.С. Усова // Технологии пищевой и перерабатывающей промышленности АПК – Продукты здорового питания, Воронеж, изд-во ВГУИТ. – 2019. – №4. – С. 122-126
  53. Астапов А.Ю. Перспективы использования беспилотных летательных аппаратов в садоводстве/ А.Ю. Астапов, К.А. Пришутов, С.С. Астапова //В сборнике: Инженерное обеспечение инновационных технологий в АПК Сборник материалов Международной научно-практической конференции. Под общей редакцией В.А. Солопова. 2018. С. 159-162.
  54. Украинский П.А. Автоматизированное дешифрирование крон отдельно стоящих деревьев на космических снимках сверхвысокого пространственного разрешения /П.А. Украинский, Э.А. Терехин // Наука о Земле, 2017 – №1 – с. 36-47
  55. Грушин М.А. Распознавание крон деревьев на снимках высокого разрешения / М.А. Грушин // Вестник Московского государственного университета леса–Лесной вестник. – 2012. – № 6 (89). – С. 149-153.
  56. Терехов А.Г. Автоматический алгоритм классификации снимков QuickBird в задаче оценки полноты леса / А.Г. Терехов, Н.Г. Макаренко, И.Т. Пак // Компьютерная оптика. – 2014. – Т. 38. – № 3. – С. 580-583.
  57. Акишин, Д.В. Применение нового универсального способа определения степени зрелости плодов томата / Д.В. Акишин, А.В. Сутормина //Инженерное обеспечение инновационных технологий в АПК: Материалы международной научно-практической конференции. – Мичуринск-наукоград, 2014. – С. 258-262.
  58. Гудковский В.А. Об использовании нового способа определения степени зрелости плодов томата в селекционной, научной и практической работе/ В.А. Гудковский, Д.В. Акишин, А.В. Сутормина// Вестник Мичуринского государственного аграрного университета. 2013.№5. С.67-71.
  59. Брежнев, Д.Д. Томаты/ Д.Д. Брежнев – Л., Колос, 1964.- 320 с.
  60. Акишин, Д.В. Новый способ определения степени зрелости плодов томата/ Д.В. Акишин, А.В. Невзорова, Е.В. Черепова// Аграрная наука в XXI веке: проблемы и перспективы: Сборник статей VII Всероссийской научно-практической конференции. /Под ред. И.Л. Воротникова.- Саратов: Издательский Центр «Наука», 2013. – С.204-208.
  61. Гудковский В.А. К вопросу о степенях зрелости плодов томата / В.А. Гудковский, Д.В. Акишин, А.В. Невзорова, Е.В. Черепова // Плодоводство и ягодоводство России: Сб. науч. работ / ГНУ ВСТИСП Россельхозакадемии. – М., 2012. – Т. XXXIII. – С. 114-123.
  62. Бондарцев, А.С. Шкала цветов/ А.С. Бондарцев // Пособие для биологов при научных и прикладных исследованиях. – Изд-во Академии наук СССР. – 1954. – 29 с.
  63. Будаговская О.Н., Будаговский А.В., Грошева Е.В. Использования параметров медленной индукция флуоресценции хлорофилла для недеструктивной оценки зрелости томатов и прогноза их лежкоспособности // Инновации в сельском хозяйстве : теоретич. и науч.-практ. журнал. 2016. № 3. С. 287-293.
  64. Родиков С.А. Экспресс диагностика зрелости яблок /С.А. Родиков // Садоводство и виноградарство, №1. – 2001. – С. 9-12
  65. Целуйко Н.А. Определение срока съема плодов семечковых культур. Издательство «Колос». М., 1969. 72 с.
  66. Метлицкий Л.В. Биохимия на страже урожая. Издательство «Наука», М., 1965. 183 с.
  67. Оптический метод определения степени зрелости плодов яблони / А.Ю. Астапов, И.П. Криволапов, Д.В. Акишин // Наука в Центральной России. – Тамбов, изд-во ВНИИТИН. – 2019. – №4. – С. 125-129
  68. Оптическая диагностика степени зрелости томатов / А.В. Будаговский, Д.В. Акишин, А.В. Сутормина, О.Н. Будаговская, В.А. Гудковский // Хранение и переработка сельхозсырья. – 2014. – № 11. – С. 30-33
  69. Будаговская О.Н. Оптические методы диагностики зрелости и качества плодоовощной продукции /О.Н. Будаговская // Вестник Мичуринского государственного аграрного университета, №2, Изд-во Мичуринского ГАУ. – 2011. – С.83-91
  70. Урнев В.Л. Система хранения плодов промышленных сортов яблони различной степени зрелости. Автореф. дисс. канд. с-х наук, Мичуринск-наукоград РФ. 2018. 22 с.
  71. Биохимический состав столовых сортов винограда и его изменения при хранении / Д.В. Акишин, Л.В. Спепанцова, И.П. Криволапов, И.В. Поленин // Сб трудов конференции, «Приоритетные направления развития садоводства» (I Потаповские чтения), Мичуринск, изд-во Мичуринского ГАУ. – 2019. – С.257-263
  72. Гудковский В.А. Система сокращения потерь и сохранение качества плодов и винограда при хранении (Методические рекомендации). Мичуринск. 1990. 119 с.
  73. Бунин, М.С. Методология обоснования перспектив развития регионального плодоовощного подкомплекса/ М.С. Бунин, И.П. Шаляпина, А.Н. Квочкин, А.В. Никитин, Н.Ю. Кузичева, Н.И. Греков, М.А. Соломахин.- М.: ФГНУ «Росинформагротех», 2006.-160с.
  74. Государственная Программа развития сельского хозяйства и регулирования рынков сельскохозяйственной продукции, сырья и продовольствия на 2013-2020 годы. Утверждены Постановлением Правительства РФ от 14 июля 2012 г. №717. – Режим доступа http://www. mcx.ru/ navigation/docfeeder/show/342/htm.
  75. Бэртон, У.Г. Физиология созревания и хранение продовольственных культур: Пер. с англ./ У. Г. Бэртон. – М: Агропромиздат, 1985. – 359 с.
  76. Выродов, Д.А. Визуально-спектрофотометрические методы оценки и сортировки плодов томата на стадии разной степени зрелости/ Д.А. Выродов, Е.Д. Жужа //Хранение и переработка сельхозсырья. – 2010. – №. 8. – С. 31-37.
  77. Гудковский, В.А. Длительное хранение плодов: Прогрессивные способы.-Алма-Ата: Кайнар. 1978.-151 с.
  78. Гудковский, В.А. О роли кальция в развитии физиологических заболеваний плодов яблони/ В.А. Гудковский, Т.Л. Урюпина // Хранение и переработка картофеля, овощей, плодов и винограда. ВАСХНИЛ. – М.: Колос. 1979.- С. 292-295.
  79. Гудковский, В.А. Система сокращения потерь и сохранение качества плодов и винограда при хранении // дис. в форме науч. докл…. доктора с.-х. наук: 06.01.07; 05.18.03 /Гудковский Владимир Александрович.– Мичуринск, 1990. – 53 с.
  80. Гудковский В.А. Гудковский В.А. Прогрессивные методы хранения плодов, овощей и зерна/ В.А. Гудковский // Материалы международной науч.-практ. конф., 27-28 апреля 2004 г. – Воронеж: Кварта, 2004
  81. Колесник А.А. Хранение плодов и овощей в регулируемой атмосфере/ А.А. Колесник, М.А. Федоров, Е.Х. Осенова. – М.: Колос, 1973.-144 с.
  82. Кипрушкина Е.И. Экологически безопасные методы в интегрированной защите и сохранении растительной продукции/ Е.И. Кипрушкина, В.С. Колодязная, В.К. Чеботарь// Пищевая промышленность.-2013. – №2.- С.8-10.
  83. Гудковский, В.А. Эффективность применения ингибитора этилена «Фитомаг» и полимерных упаковок при хранении плодов томата/ В.А. Гудковский, Д.В. Акишин // Достижения науки и техники АПК. – 2010. -№8.- С.74-76.
  84. Гудковский, В.А. Новая технология хранения и транспортирования плодов и овощей с использованием препарата «Фитомаг»// Овощеводство и тепличное хозяйство.-2007.-№10.- С.51-53.
  85. Гудковский В.А. Эффективность использования ингибитораэтилена («Фитомаг») при хранении продуктового органа капусты брокколи/ В. Гудковский, А. Мешков, А. Пушкарев// Овощеводство и тепличное хозяйство – 2011.- №11. – С. – 64-65.
  86. Opiyo А.М., Tie-Jin Ying. The effects of 1-methylcyclopropene treatment on the shelf life and quality of cherry tomato fruit. // Internathional Journal of food science&Technology, 2005; Vol. 40, N 6. – Р. 665-673.
  87. Причко Т.Г. Оптимизация сроков послеуборочной обработки плодов сливы 1-МЦП/ Т.Г. Причко, М.В. Карпушина // Хранение и переработка сельхозсырья, № 5, 2012. – С. 21-23.
  88. Швец, В.Ф. Применение 1-метилциклопропена при хранении фруктов и овощей/ В.Ф. Швец, А.В. Кустов, К.В. Швец, В.А. Гудковский// Овощеводство и тепличное хозяйство -№1.-2007.-С.28.
  89. Чеботарь, В.К. Экологически безопасные способы хранения сельхозпродукции/ В.К. Чеботарь, А.Е. Казаков, Е.И. Кипрушкина.-№12. -2007.-С.45-47.
  90. Соловченко А.Е. Спектрофотометрический анализ пигментов в плодах яблони/ А.Е. Соловченко О.Б. Чивкунова, М.Н. Мерзляк и др.,// Физиология растений. – 2001.-Т.48.- С.801-808.
  91. Nardin K. Scald control of apples without use of chemicals// Proceedings of the International Symposium on Postharvest treatment of Horticultural Crops. Acta Hort. 1994, N368.- p.417-429.
  92. Кудряшева А.А. Микробиологические основы сохранения плодов и овощей/ А.А. Кудряшева.-М.: -1986. -190 с.
  93. Помология. Том 1. Яблоня /Под общей редакцией академика РАСХН Е.Н. Седова. – Орел: Изд-во ВНИИСПК, 2005. – 576 с.
  94. Рубин, Б.А. Основы хранения овощей и плодов/ Б.А. Рубин, Л.В. Метлицкий. Изд-во АН СССР. -1966.- С. 97-99.
  95. Салькова, Е.Г. Биохимические основы хранения плодов и овощей/ Е.Г. Салькова // Плодоовощное хозяйство.- 1986.- № 3. –С. 56-58
  96. Prange R., DeLong J., P.Harrison. Oxygen concentration affects chlorophyll fluorescence in chlorophyll-containing fruit//Postharvest Biology and Technology, 2002, 24, pp. 201–205
  97. Prange, R., DeLong J., Write H. Chlorophyll Fluorescence: Applications in Postharvest Horticulture. HRONICA HORTICULTURAE, 2010,Vol. 50, No 1, pp.13-17.
  98. Zanella A. Controll of apple scald – a comparison between 1-MCP and DPA postharvest treatments, ILOS and ULO storage, Acta Horticulturae 600, ISHS 2003, pp.271-275.
  99. Zanella A., Gazanelly P., Rossi O. Dynamic controlled atmosphere storage by means of chlorophyll fluorescence response for firmness retention in apples// Proc. IC on Ripening Regulation and Postharvest fruit quality. Acta Hort. 796, ISHS 2008, pp.77-82.
  100. Shcherbakov S.Yu. Drying Hawthorn Berries in Drum Dryer Using Blade Agitator / S.Yu. Shcherbakov, P.S. Lazin, I.P. Krivolapov // AMAZONIA INVESTIGA, Vol. 8 Núm. 21: 588 – 595/ Julio – agosto 2019
  101. Астапов А.Ю. Тепловизионная съемка воздушных линий электропередач с помощью БПЛА/ А.Ю. Астапов, С.С. Астапова, К.А. Шишкова //В книге: Энергетика. Проблемы и перспективы развития Тезисы докладов 3-й Всероссийской студенческой научной конференции. 2017. С. 165-167.
  102. Результаты исследования вегетационного индекса NDVI на опытном поле Мичуринского ГАУ/ И.П. Криволапов, А.Ю. Астапов, А.А. Коротков// Сб. трудов Международной научно-практической конференции им. В.И. Вернадского «Инженерные технологии для устойчивого развития и интеграции науки, производства и образования» под общ. ред. Козачека А.В.. – Тамбов, изд-во ТГТУ, 2019, с. 159-166
  103. Лысенко С.А. Прогнозирование урожайности сельскохозяйственных культур на основе спутникового мониторинга динамики углерода в наземных экосистемах / С.А. Лысенко // Исследование Земли из космоса, 2019, № 4, с. 48–59
  104. Буховец А.Г. Современные подходы и методы в прогнозировании урожайности отдельных видов зерновых культур : монография / А.Г. Буховец, Е.А. Семин, Т.Я. Бирючинская. – Воронеж : ФГБОУ ВПО Воронежский ГАУ, 2016. – 226 с.
  105. Береза О.В. О возможности прогнозирования урожайности озимой пшеницы в Среднем Поволжье на основе комплексирования наземных и спутниковых данных / О.В. Береза, А.И. Страшная, Е.А. Лупян // Современные проблемы дистанционного зондирования Земли из космоса. – 2015. – Т. 12, № 1. – С. 18–30.

 

Автор НИР 

Оглавление

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *