ПРОСТРАНСТВЕННАЯ СТРУКТУРА ЗАСОРЕННОСТИ ЗЕРНОТРАВЯНО-ПРОПАШНОГО СЕВООБОРОТА НА СЕВЕРО-ЗАПАДЕ РОССИИ
DOI 10.12737/2073-0462-2023-67-74 УДК 632.51:631.582(470.2)
Ключевые слова:
севооборот, сорные растения, видовой состав, структура засоренности, коэффициент вариации, коэффициент агрегации.Аннотация
Исследование проводили с целью анализа пространственного размещения сорной растительности в зернотравяно-пропашном севообороте в Северо-Западном регионе РФ. На основе расчетов индекса попарного видового сходства и коэффициента общности удельного обилия выявлено, с одной стороны, высокое сходство видового состава сорных растений в пределах изучаемого севооборота (0,81…0,94), с другой – достоверные различия в структуре засоренности полей (30,4…70,6). Статистически значимыми оказались различия в засоренности между некоторыми полями как по численности, так и по надземной массе сорных растений. Видовое обилие изменялось в пределах 6…10 шт./м2, численный состав – 150…312 экз./м2, фитомасса – 51,2…272,5 г/м2 при средней величине этого показателя по полям севооборота 8 видов/м2, 251 экз./м2 и 161,7 г/м2 соответственно. Неравномерное или агрегированное размещение на территории севооборота, подтверждаемое высокими величинами коэффициентов вариации (151…567) и агрегации (2,1…16,2), оказалось характерно для всех широко распространенных видов сорных растений. Геостатические особенности распространения их массовых видов на площади зернотравяно-пропашного севооборота достаточно хорошо просматривались на цифровых картах, составленных с использованием специальных программ. Достоверные различия в структуре засоренности полей севооборота и размещении отдельных видов сорных растений были следствием различий в агрохимических характеристиках почвы, в первую очередь кислотности, суммы обменных оснований и содержания органического вещества. При применении гербицидов в севообороте необходимо учитывать индивидуальные особенности засоренности каждого поля и пространственное размещение массовых видов сорных растений, сложившиеся под влиянием длительного сельскохозяйственного использования.
Литература
1. Моисеев А.Н., Моисеева К.В. Засоренность зернотравяного севооборота в северной лесостепи Тюменской области // Аграрный вестник Урала. 2017. № 12 (166). С. 7.
2. Паштецкий В.С., Радченко Л.А., Женченко К.Г. Зернопаропропашные севообороты для условий Крыма // Таврический вестник аграрной науки. 2017. № 4 (12). С. 90–97.
3. Замятин С.А., Ефимова А.Ю. Мониторинг засоренности полевых севооборотов // Вестник Марийского государственного университета. 2017. Т. 3. № 1 (9). С. 33–37.
4. Морозов В.И., Тойгильдин А.Л., Подсевалов М.И. Флористический состав и динамика численности сорных растений агрофитоценозов в севооборотах лесостепной зоны Поволжья // Вестник Ульяновской государственной сельскохозяйственной академии. 2018. № 4 (44). С. 102–109. doi: 10.18286/1816-4501-2018-4-102-109.
5. Перфильев Н.В., Вьюшина О.А., Тимофеев В.Н. Соотношение видов сорных растений под влиянием севооборота и систем основной обработки почвы в условиях северного Зауралья // Достижения науки и техники АПК. 2018. Т. 32. № 5. С. 35–40. doi: 10.24411/0235-2451-2018-10509.
6. Гурьянов А.М., Артемьев А.А. Оценка засоренности агроценозов и эффективность дифференцированного применения гербицидов в севообороте // Аграрная наука Евро-Северо-Востока. 2018. № 5 (66). С. 83-89. doi: 10.30766/2072-9081.2018.66.5.83-89.
7. Назранов Х.М., Хуцинова М.М. Оценка пространственной неоднородности уровня плодородия и засоренности в пределах поля // Известия Горского государственного аграрного университета. 2018. Т. 55. № 2. С. 41–45.
8. Precision weed detection in wheat fields for agriculture 4.0: A survey of enabling technologies, methods, and research challenges / K. Xu, L. Shu, Q. Xie et all. // Computers and Electronics in Agriculture. 2023. Vol. 212. P. 108106.
9. Rozenberg G., Kent R., Blank L. Consumer-grade UAV utilized for detecting and analyzing late-season weed spatial distribution patterns in commercial onion fields // Precision Agriculture. 2021. Vol. 22. P. 1317–1332. doi: 10.1007/s11119-021-09786-y
10. Spatial Modelling of Within-Field Weed Populations; a Review / G.J. Somerville, M. Sønderskov, S.K. Mathiassen et all. // Agronomy. 2020. Vol. 10. P. 1044. doi: 10.3390/agronomy10071044
11. Смук В.В., Шпанев А.М. Дистанционный мониторинг засоренности посадок картофеля в периоды до и после появления всходов // Агрофизика. 2019. № 4. С. 46–53.
12. Шпанев А.М. Влияние минеральных удобрений на пространственное размещение сорных растений в посевах ярового ячменя // Плодородие. 2022. № 2 (125). С. 8–12.
13. Структура сорного компонента и его пространственное распределение в полях зернопропашного севооборота / Г.Д. Гогмачадзе, Н.С. Матюк, В.Д. Полин и др. // АгроЭкоИнфо. 2021. № 1 (43). С. 4. doi: 10.51419/20211112.
14. Синицына С.М. Многолетние травы Северо-Запада РФ: состояние и проблемы // Технологии и технические средства механизированного производства продукции растениеводства и животноводства. 2017. Вып. 92. С. 103–111.
1. Moiseev AN, Moiseeva KV. [Weediness of grain-grass crop rotation in the northern forest-steppe of Tyumen region]. Agrarnyi vestnik Urala. 2017; 12 (166). 7 p.
2. Pashtetskiy VS, Radchenko LA, Zhenchenko KG. [Grain and fallow crop rotations for the conditions of the Crimea]. Tavricheskiy vestnik agrarnoy nauki. 2017; 4 (12). 90-97 p.
3. Zamyatin SA, Efimova AYu. [Monitoring of weed infestation in field crop rotations]. Vestnik Mariyskogo gosudarstvennogo universiteta. 2017; Vol.3. 1 (9). 33-37 p.
4. Morozov VI, Toygil'din AL, Podsevalov MI. [Floristic composition and dynamics of the number of weeds in agrophytocenoses in crop rotations of the forest-steppe zone of Volga region]. Vestnik Ul'yanovskoy gosudarstvennoy sel'skokhozyaystvennoy akademii. 2018; 4 (44). 102-109 p. doi: 10.18286/1816-4501-2018-4-102-109.
5. Perfil'ev NV, V'yushina OA, Timofeev VN. [The ratio of weed species under the influence of crop rotation and basic tillage systems in the conditions of the northern Urals]. Dostizheniya nauki i tekhniki APK. 2018; Vol.32. 5. 35-40 p. doi: 10.24411/0235-2451-2018-10509.
6. Gur'yanov AM, Artem'ev AA. [Assessment of weediness in agrocenoses and the effectiveness of differentiated use of herbicides in crop rotation]. Agrarnaya nauka Evro-Severo-Vostoka. 2018; 5 (66). 83-89 p. doi: 10.30766/2072-9081.2018.66.5.83-89.
7. Nazranov KhM, Khutsinova MM. [Assessment of spatial heterogeneity of the level of fertility and weeds within the field]. Izvestiya Gorskogo gosudarstvennogo agrarnogo universiteta. 2018; Vol.55. 2. 41-45 p.
8. Xu K, Shu L, Xie Q. Precision weed detection in wheat fields for agriculture 4.0: a survey of enabling technologies, methods, and research challenges. Computers and Electronics in Agriculture. 2023; Vol.212. 108106 p.
9. Rozenberg G, Kent R, Blank L. Consumer-grade UAV utilized for detecting and analyzing late-season weed spatial distribution patterns in commercial onion fields. Precision Agriculture. 2021; Vol.22. 1317-1332 p. doi: 10.1007/s11119-021-09786-y
10. Somerville GJ, Sonderskov M, Mathiassen SK. Spatial modelling of within-field weed populations: a review. Agronomy. 2020; Vol.10. 1044 p. doi: 10.3390/agronomy10071044
11. Smuk VV, Shpanev AM. [Remote monitoring of weediness in potato plantings during the periods before and after emergence]. Agrofizika. 2019; 4. 46-53 p.
12. Shpanev AM. [The influence of mineral fertilizers on the spatial distribution of weeds in spring barley crops]. Plodorodie. 2022; 2 (125). 8-12 p.
13. Gogmachadze GD, Matyuk NS, Polin VD. [The structure of the weed component and its spatial distribution in the fields of grain crop rotation]. AgroEkoInfo. 2021; 1 (43). 4 p. doi: 10.51419/20211112.
14. Sinitsyna SM. [Perennial grasses of the North-West of the Russian Federation: state and problems]. Tekhnologii i tekhnicheskie sredstva mekhanizirovannogo proizvodstva produktsii rastenievodstva i zhivotnovodstva. 2017; issue 92. 103-111 p.
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 ВЕСТНИК Казанского государственного аграрного университета
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Метаданные научных статей, включая название, аннотацию, сведения об авторах, список литературы, идентификаторы и иные элементы библиографического описания для дальнейшего неограниченного использования, передаются в редакцию с правом их неограниченного использования на условиях открытой лицензии Creative Commons Attribution (CC BY).
