В настоящее время уровень развития информационных технологий позволяет реализовать научно-методические наработки в виде цифровых платформ управления агропромышленным комплексом на разных уровнях его организации. Это касается как автоматизированного сбора и обобщения природно-агрономических и производственных показателей, так и оперативного анализа лимитирующих факторов и угроз для выработки предупредительных мер реагирования в соответствии с целевой функцией. Прототипы таких платформ (ExactFarming, Cropio, SkyScout и др.) позволяют проводить мониторинг состояния посевов, документирование, прогнозирование и планирование сельскохозяйственных операций на уровне предприятия. Хотя функциональность таких информационных систем постоянно расширяется, в настоящее время они не обладают должной полнотой. 

Разрабатываемые в рамках крупного научного проекта платформы решают задачи по формализации модели управления продукционным процессом от возрастающего числа параметров, меняющихся во времени и пространстве, механизмов устойчивого управления агроландшафтом, контроля природных процессов и воспроизводства почвенного плодородия в условиях изменения климата и антропогенеза. Таким образом обеспечивается интеграция наук сельскохозяйственного профиля, что отчасти компенсирует снижение координации исследований центров отечественной науки после начала ее реформирования. 

Конечные потребители разработок – сельхозпроизводители, а также органы управления АПК. Качественный рост объективности и оперативности управленческих процессов повлечет за собой повышение эффективности сельского хозяйства в интересах продовольственной и экологической безопасности России, трансформацию системы земельного надзора, нормативно-правового регулирования земельных отношений, финансово-кредитной политики и рынка страхования. Внедрение интеллектуальной системы и цифровой платформы будет сопровождаться развитием материально-технической и информационной инфраструктуры АПК, сформирует новые требования к квалификации специалистов, что, в свою очередь, потребует модернизации образовательных программ аграрных вузов и программ повышения квалификации.
Научно-технический уровень результатов превосходит зарубежные достижения в области комплексной оценки земель, высокоэффективного фенотипирования растений на повышенную устойчивость к стрессовым условиям и скрининга генотипов с хозяйственно ценными признаками, схемы пересчета результатов сезонного и краткосрочного прогнозирования состояния атмосферы в характеристики опасных агрометеорологических явлений, а также новых индикаторов экологических и социально-экономических функций почв в составе многофункционального агроэкологического мониторинга земель сельскохозяйственного назначения. 

2.3. На основе анализа современных подходов и программных средств математического моделирования обоснована почвенно-гидрологическая модель Hydrus-1D в качестве основы сценарных прогнозов водного режима почв, разработан и реализован в псевдокоде алгоритм прогнозирования необходимости регулирования водного режима.
2.4. Разработан алгоритм выбора оптимальных экологически безопасных видов, доз, способов и сроков применения удобрений с учетом агроэкологических особенностей земель и потребностей культур.
2.5. Разработан алгоритм прогнозирования урожайности сельскохозяйственных культур как компонента цифровой платформы поддержки принятия решений в землепользовании и земледелии.
2.6. Разработаны новые методы оперативного сбора данных о параметрах воздуха, почв и посевов на основе наземных и дистанционных информационно-измерительных систем. 

2.7. Разработаны новые неинвазивные методы экспресс-оценки состояния растений в задачах высокоэффективного фенотипирования на повышенную устойчивость к стрессовым условиям и скрининга генотипов с хозяйственно ценными признаками. Разработана методология скрининга и создания локально-адаптивных сортов и гибридов зерновых и овощных культур на основе комплекса методов оценки взаимодействия генотип-среда в условиях имитационного моделирования на базе регулируемой и/или полевой агроэкосистем. Сформирован реестр сортов зерновых и зернобобовых культур, районированных в Центральном Нечерноземье. Разработана методика локализации ассортимента плодовых и ягодных культур на примере локально-адаптивной модели интенсивного сорта яблони для ведущих регионов плодоводства России – Центрального, Центрально-Черноземного и Северо-Кавказского.
2.8. Разработаны методы оценки погодных рисков и изменчивости климата в адаптивно-ландшафтном земледелии. Метод описания изменчивости агроклиматических показателей включает расчет базовых и интегральных характеристик тепло- влагообеспеченности по историческим рядам наблюдательной сети Росгидромета, их нелинейное спектральное разложение на долгопериодные изменения климата и межгодовую изменчивость макропогоды с последующим экспертно-визуальным и численным анализом среднегодовых показателей и их сезонного хода. 

2.9. В целях апробации и доработки научно-методических результатов проекта проведен сбор и систематизация разнородных данных о пространственной структуре модельных участков (данные кадастра, границы угодий, опытных участков, их почвенно-топографические условия), а также о сезонной и многолетней динамике агротехнических и агроэкологических условий и результатах научно-производственной деятельности институтов – участников Консорциума (история полей и опытных делянок, метеонаблюдения, условия и результаты опытов и др.).
2.10. Завершено обоснование широкого ряда индикаторов экологических и социально-экономических функций почв как компонента биосферы и фундаментальной основы сельскохозяйственного производства. Предложены новые индикаторы гидрологической, опорной, биоресурсной, барьерной, органо-аккумулятивной, фитосанитарной и питательной функций почв с учетом современных возможностей приборной базы. Обоснована блок-схема связей между функциями почв и подходы к их использованию в системе агроэкологической оценки земель и агроэкологического мониторинга. 

3.3. В результате работ п.3.3 ПГ разработана цифровая платформа поддержки принятия оперативных решений в землепользовании и земледелии, инвентаризации почвенных ресурсов на основании применения разнообразных моделей, использующих данные о климате, почве, состоянии посевов. Платформа поддерживает регистрацию, аутентификацию и авторизацию пользователей; загрузку, выгрузку, хранение, редактирование и визуализацию полей хозяйства и их основных характеристик (название, площадь); управление группами полей, объединенными в проекты; оперативное программное подключение модулей, реализующих функции анализа, контроля и прогноза различных внешних условий и аспектов сельскохозяйственной деятельности путем эксплуатации реализованных на внешних ресурсах агроэкологических моделей, доступных в виде сервисов OpenFAAS. К платформе подключены модели прогнозирования атмосферных засух, заморозков и урожайности сельскохозяйственных культур.
3.4. Разработана методология программного интерфейса оптимизации агрономических решений в условиях дефицита ресурсов, включающая описание: 1) архитектуры информационно-аналитической системы, 2) взаимодействия компонентов аналитической системы через абстракцию данных, планировщик задач и метамодели вычисления конкретного свойства с учетом исходных данных, вычислительных затратах и точности расчетов, 3) схемы взаимодействия ядра системы, моделей и источников данных в задачах оптимизации агрономических решений – максимизация рентабельности системы питания в севооборотах с учетом влияния погодных рисков и оценка последствий вывода земель из оборота и введения монокультуры.
Поведена программная инкорпорация моделей баз данных реестра сортов, реестра агроэкологических групп и видов земель и регистра агротехнологий в систему «Умное землепользование», включая программную реализацию на языке SQL логических моделей реестров; загрузки данных в реестры; программную реализацию графического интерфейса пользователя для визуализации реестров на языке Kotlin; программную реализацию сервисов доступа к данным реестров в виде запросов и процедур языка SQL, функций языка Kotlin и методов языка Java.
3.5. Выполнена демонстрация функциональных возможностей разработок и результатов проекта на тестовых участках в части картографирования свойств почв на основе спутниковых данных на уровне поля; мониторинга плодовых насаждений с использованием воздушной БПЛА-съемки; реализации сервисов прогнозов атмосферных засух и заморозков в составе цифровой платформы поддержки принятия оперативных решений в землепользовании и земледелии; прогнозирования необходимости регулирования водного режима почв. Сервисное обеспечение и нормативной базы разработок и результатов проекта в отношении разработано в отношении сервисов прогнозирования урожайности культур и интеллектуальной системы локального планирования землепользования и агротехнологий.
3.6. Разработана методология управления технологическим прогрессом в сельскохозяйственном землепользовании в условиях дефицита ресурсов и беспрецедентных вызовов глобального масштаба, в том числе –определены характеристики «цифровых технологий» в парадигме нового технологического уклада сельского хозяйства, проведено обоснование и оценка мер законодательного регулирования, разработаны теоретико-методологические положения для создания методики оценки уровня цифровой зрелости информационно-аналитических систем, определения их экономической эффективности для комплексного управления ресурсами в сельскохозяйственном землепользовании.
3.7. На основе обобщения данных Государственных сортоиспытаний, Россельхозцентра и экспериментальных данных научно-исследовательских организаций и сельскохозяйственных предприятий созданный на втором этапе проекта в 2021 году реестр сортов зерновых и зернобобовых культур Центрального региона расширен агроэкологическими паспортами сортов: 1) зерновых и зернобобовых культур селекции ФНЦ «Немчиновка» для Северо-Западного, Волго-Вятского и Центрально-Черноземного регионов; 2) озимой пшеницы Северного Кавказа; 3) плодовых культур (яблони) Центрального региона и Северного Кавказа. 

Реестр сортов предназначен для оптимизации землепользования и проектирования наукоемких агротехнологий в сочетании с реестром групп и видов земель и регионального регистра агротехнологий в составе интеллектуальной системы локального планирования землепользования и агротехнологий.
3.8. Разработана концепция многофункционального агроэкологического наземного мониторинга, включая систему шкал и критериев оценки опасности и риска изменения почвенных ресурсов, степени деградации почв, а также локальные базы нормативных агрохимических, физических, химических, физико-химических, минералогических и микроморфологических данных для управления плодородием почв и эффективного контроля их экологического состояния.
3.9. Разработана методология системы испытаний, сертификации и освоения агротехнологий на основе сертификации систем качества международных стандартов ИСО серии 9000.
3.10. Разработана система комплексной неинвазивной экспресс-оценки качества и продукционного потенциала посевного материала и физиологического состояния вегетирующих растений с использованием каскада современных высокоточных физических методов. Данная система позволяет оперативно оценить качество посевного материала, выявить на ранних стадиях ухудшение состояния вегетирующих растений, возникновение дефицита основных элементов питания у зерновых и овощных культур, что позволяет оперативно корректировать применяемые агротехнологии и оптимизировать условия роста сельскохозяйственных культур, снизить экономические затраты.
3.11. На основе знаний и опыта о физическом моделировании агроэкосистем в регулируемых условиях, о закономерностях и механизмах взаимодействия растений со средой обитания в полностью регулируемых условиях впервые разработан и охарактеризован прототип уникальной научно-технологической инфраструктуры в регулируемых условиях для реализации: системы «сорт-технология» по созданию новых локально адаптированных форм, линий, сортов сельскохозяйственных культур, по отработке технологий направленного улучшения стрессоустойчивости растений и получения растительной продукции высокого качества с заданными функциональными характеристиками. 

4.4. На основе обобщения результатов экологических испытаний сортов полевых культур и технологий их возделывания в ФИЦ «Немчиновка», а также данных Государственных сортоиспытаний и Россельхозцентра завершено создание реестра сортов и гибридов основных полевых культур Центрального региона Нечерноземной зоны (зерновые и зернобобовые культуры, многолетние и однолетние бобовые и злаковые травы и травосмеси, кукуруза на силос, рапс озимый и яровой). Для наиболее распространенных сортов и гибридов этих культур представлены их характеристики в соответствии с предложенной ранее моделью агроэкологического паспорта. Реестр сортов предназначен для использования в составе интеллектуальной системы локального планирования землепользования и агротехнологий (система «Умное землепользование») в сочетании с реестром видов земель и региональным регистром агротехнологий. 

4.5. Регистр агротехнологий возделывания зерновых и зернобобовых культур Среднерусской провинции южно-таежно-лесной зоны (результат работ п.2.2 ПГ) уточнен результатами агрономических опытов последних лет и расширен с учетом разнообразия видов земель Центрального региона Нечерноземной зоны (включены виды земель Тверской и Тульской областей). Реестр дополнен региональными агротехнологиями возделывания многолетних и однолетних трав и травосмесей, кукурузы на силос, озимого и ярового рапса, картофеля. Для почвенно-климатических условий предгорно-равнинной части Чеченской Республики разработан регистр агротехнологий возделывания косточковых, семечковых культур и винограда. Регистр агротехнологий включает формализованное описание звеньев, блоков и операций базовых технологий и технологических модулей возделывания сельскохозяйственных культур с указанием условий их применения и технологических требований при реализации биологического потенциала сорта экстенсивного, нормального и интенсивного уровня. Условия применения каждого технологического модуля включают указание целевого вида земель, для которого он предназначен. Регистры агротехнологий используются совместно с реестром видов земель и реестром сортов в системе комплексной оценки земель и локального планирования сельскохозяйственного землепользования и агротехнологий.

4.6. Разработан метод, позволяющий бесконтактно получать информацию об основных параметрах плодородия пахотных почв (дерново-подзолистых, серых лесных и черноземов) на основе спектральной отражательной способности их поверхности, измеренной в полевых условиях. В большинстве случаев по измерениям в пределах одного поля лучше детектируется содержание органического вещества и рН солевой вытяжки, хуже – содержание подвижного фосфора и общего азота. Точность и состав информативных признаков прогнозных моделей различаются между отдельными полями и зависят от особенностей освещения, состояния открытой поверхности (влажность, наличие корки и трещин, шероховатость поверхности). Информативность моделей существенно снижается при объединении в одну выборку данных по типам почв с разных сельскохозяйственных полей или при совместном анализе всех данных с разными почвами.
4.7. Доработаны технология сбора и алгоритм усвоения данных оперативного IoT-мониторинга параметров воздуха, почв и посевов для цифровой платформы поддержки принятия оперативных решений в землепользовании и земледелии. Доработана аппаратная и программная архитектура сенсорных узлов за счет оптимизации размещения компонентов, повышения надежности и энергоэффективности электрической схемы. Обновлено программное обеспечение для централизованной системы сбора данных, удаленного управления и опроса устройств наземной измерительной беспроводной сенсорной сети IoT-мониторинга, сервера, управляющих модулей сенсорных узлов и периферийных устройств, контроллеров узлов и датчиков.
4.8. Разработан пользовательский интерфейс и алгоритм оценки и управления рисками деградации земель от водной эрозии для интеллектуальной системы локального планирования землепользования и агротехнологий. Функциональные возможности сервиса позволяют адресно (для каждого поля) выявлять эрозионно-опасные участки и моделировать риски деградации почв от эрозии в зависимости от используемых технологий земледелия и почвозащитных мероприятий (ротации культур в севообороте, противоэрозионных мероприятий, залужения и др.). 

4.9. Разработан пользовательский интерфейс и алгоритм прогнозного картографирования урожайности сельскохозяйственных культур для цифровой платформы поддержки принятия оперативных решений в землепользовании и земледелии. Сервис позволяет получить сезонный прогноз биологической урожайности посевов в пределах поля с использованием сочетания имитационной модели роста и развития сельскохозяйственных культур, прогнозных аномалий климатических характеристик вегетационного сезона, моделирования энерго- и массообмена системы «почва-растение-приземный слой атмосферы» на основе данных дистанционного зондирования Земли и наземных подспутниковых измерений. Функциональные возможности показаны на примере трех тестовых участках в Московской, Тверской и Ленинградской областях.
4.10. Создан пользовательский интерфейс и алгоритм параметризации биологических свойств и экологических требований сельскохозяйственных культур на основе результатов сортоиспытаний и мониторинга опытно-производственных посевов. Этапы алгоритма: 1) сбор полевых данных о параметрах роста и развития посевов сорта в контрастных почвенно-климатических условиях и/или в контрастные по погодным условиям годы; 2) сбор данных о метеорологических, почвенных и агрономических условиях развития посевов; 3) индивидуальная для каждого сорта калибровка имитационной модели роста и развития посевов для достижения максимального соответствия между модельными и наблюдаемыми данными; 4) сценарное моделирование (прогнозирование) реакции сортовых посевов на изменения условий их развития; 5) интерпретация параметров имитационной модели и результатов сценарного моделирования в качестве биологических свойств и экологических требований сорта. Алгоритм апробирован на примере биологических свойств и экологических требований четырех сортов яровой пшеницы (Злата, Любава, Лиза, Агата) в опытно-производственных посевах ФГБНУ ФИЦ «Немчиновка» за 2011-2020 гг. с использованием имитационной модели роста и развития посевов AquaCrop, разработанная отделом земельных и водных ресурсов Продовольственной и сельскохозяйственной организацией ООН для оценки влияния условий окружающей среды и управления на продуктивность культур.
4.11. Созданы пользовательский и программный интерфейсы и алгоритм многопараметрической оптимизации сортимента возделываемых культур для минимизации погодных рисков. В качестве альтернативы подбора сортов сельскохозяйственных культур на основе недостоверных метеопрогнозов реализован инструмент диверсификации сортимента и площадей посевов сельскохозяйственной культуры, обеспечивающий баланс между ожидаемой рентабельностью и экономической устойчивостью сельхозпроизводства при любых погодных рисках и их сочетаниях. Веб-интерфейс сервиса позволяет интерактивно корректировать параметры модели и дает графическое представление результатов оптимизации агрономических решений и их экономической оценки. Для тестирования модели наряду с реальными сортами (работы п.4.4 ПГ) использованы виртуальные (идеальные) сорта, что позволяет использовать разработанный сервис в задачах семеноводства и селекции сортов, устойчивых к региональным погодным рискам. В качестве оптимизационной функции агрономического решения могут использоваться – максимизация чистого дохода, минимизация финансовых затрат или иных ресурсов в условиях их дефицита, максимизация выхода урожая или гарантированное обеспечение плановых показателей при переходе к экономике мобилизационного типа. 

4.12. Для информативных индикаторов наиболее значимых экологических функций почв – биоресурсной (углерод микробной биомассы, численность дождевых червей, численность копий генов бактерий); органоаккумулятивной (общий органический углерод, углерод микробной биомассы, микробное (базальное) дыхание и скорость разложения субстрата); питательной (кислотность, содержание подвижного фосфора, содержание обменного калия, обеспеченность азотом, содержание мезо- и микроэлементов, химические способности почв, обеспеченность органическим веществом, гранулометрический состав); гидрологической (равновесная плотность, общая пористость, коэффициент фильтрации, наименьшая влагоемкость) разработаны: 1) порядок усвоения индивидуальных либо массовых результатов их измерений в составе цифровой платформы поддержки принятия оперативных решений в землепользовании и земледелии; 2) пользовательский интерфейс, обеспечивающий наглядное сравнение значений индикаторов с региональными шкалами их оптимальных диапазонов, сопоставление множественных значений в пространстве и/или во времени и формирование отчетов.
4.13. Осуществлена разработка научно-технических основ оптимизации взаимодействия генотип-среда в интенсивной светокультуре. Усовершенствована методология ускоренной селекции растений для условий интенсивной светокультуры с различным спектральным составом светового потока на примере редиса (Raphanus sativus L.) и разработаны рекомендации по оптимизации световой среды для выращивания его корнеплодов.
4.14. Проведена демонстрация функциональных возможностей локального планирования землепользования и агротехнологий (системы «Умное землепользование») на тестовом участке Тульский НИИСХ – филиале ФИЦ «Немчиновка». Показаны возможности агроэкологической группировки земель хозяйства на основе результатов почвенно-ландшафтного и агрохимического обследования, возможности загрузки и визуализации посевных площадей, реестра сортов, регионального регистра агротехнологий; разработки севооборотов с учетом агроэкологических особенностей земель и агротехнологий целевого уровня планируемой урожайности или себестоимости конечной продукции. 

Публикации по результатам выполнения проекта (2020-2023 гг.):

1. Савин И.Ю., Виндекер Г.В. Некоторые особенности использования оптических свойств поверхности почв для определения их влажности // Почвоведение, 2021, №7, с. 806–814 
   
2. Kiryushin, V.I., Dubachinskaya, N.N. & Yurova, A.Y. Comprehensive Assessment of Agricultural Land by the Example of the Southern Urals Eurasian Soil Science. 2021. Т. 54. С. 1721. 
   
3. Nikitin, D.A., Semenov, M.V., Chernov, T.I. et al. Microbiological Indicators of Soil Ecological Functions: A Review Eurasian Soil Science. 2021. Т. 55. С. 221. 
   
4. Egorova K. V. et al. QTL Analysis of the Content of Some Bioactive Compounds in Brassica rapa L. Grown under Light Culture Conditions // Horticulturae. 2021. Т. 7. № 12. С. 583. 
   
5. Devyatkin D., Otmakhova Y. Methods for Mid-Term Forecasting of Crop Export and Production // Applied Sciences. 2021. Т. 11. № 22. С. 10973. 
   
6. Pishchik V., Mirskaya G, Chizhevskaya E, Chebotar V, Chakrabarty D. Nickel stress-tolerance in plant-bacterial associations // PeerJ. 2021. 9:e12230 
   
7. Кирюшин В. И. Система научно-инновационного обеспечения технологий адаптивно-ландшафтного земледелия // Земледелие. – 2022. – № 2. – С. 3-7. – DOI 10.24412/0044-3913-2022-2-3-7 
   
8. Kiryushin, V.I., Dubachinskaya, N.N. & Yurova, A.Y. Comprehensive Assessment of Agricultural Land by the Example of the Southern Urals Eurasian Soil Science. 2021. Т. 54. С. 1721. DOI: 10.1134/S1064229321110089 
   
9. Nikitin, D.A., Semenov, M.V., Chernov, T.I. et al. Microbiological Indicators of Soil Ecological Functions: A Review Eurasian Soil Science. 2021. Т. 55. С. 221. DOI: 10.1134/S1064229322020090 
   
10. Devyatkin D., Otmakhova Y. Methods for Mid-Term Forecasting of Crop Export and Production // Applied Sciences. 2021. Т. 11. № 22. С. 10973. DOI: 10.3390/app112210973 
    
11. Якушев В.П., Буре В.М., Митрофанова О.А., Митрофанов Е.П. Теоретические основы вероятностно-статистического прогнозирования неблагоприятных агрометеоусловий // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2021. Т.17. Вып. 2. С. 174-182. DOI:10.21638/11701/spbu10.2021.207 
    
12. Egorova K. V. et al. QTL Analysis of the Content of Some Bioactive Compounds in Brassica rapa L. Grown under Light Culture Conditions // Horticulturae. 2021. Т. 7. № 12. С. 583. DOI: 10.3390/horticulturae7120583 
    
13. Kulikov I.M.; Burmenko J.V.; Svistunova N.Y.; Evdokimenko S.N.; Sazonov F.F.; Tumaeva T.A.; Konovalov S.N. Regionally Adapted Model of an Ideal Malus×domestica Borkh Apple Variety for Industrial-Scale Cultivation in European Russia // Agriculture 2022, 12, 2124 DOI: 10.3390/agriculture12122124 
    
14. Савин И.Ю., Блохин Ю.И. Об оптимизации размещения сети датчиков интернета вещей на пахотных угодьях // Бюллетень Почвенного института имени В.В. Докучаева. 2022;(110):22-50. DOI: 10.19047/0136-1694-2022-110-22-50 
    
15. Pishchik V., Mirskaya G, Chizhevskaya E, Chebotar V, Chakrabarty D. Nickel stress-tolerance in plant-bacterial associations // PeerJ. 2021. 9:e12230 DOI: 10.7717/peerj.12230 
    
16. Rusakov D.V., Kanash E.V. (2022): Spectral characteristics of leaves diffuse reflection in conditions of soil drought: a study of soft spring wheat cultivars of different drought resistance. Plant Soil Environ., 68: 137–145. DOI: 10.17221/483/2021-PSE 
    
17. Ivanov A, Ivanova Z. Efficiency of Precision Fertilization System in Grain-Grass Crop Rotation. Agriculture. 2022; 12(9):1381 DOI: 10.3390/agriculture1209138 
    
18. Савин И.Ю., Коновалов С.Н., Прудникова Е.Ю. [и др.] Возможности оценки состояния деревьев в яблоневом саду на основе данных дистанционного зондирования // Современные проблемы дистанционного зондирования Земли из космоса. – 2022. – Т. 19. – № 4. – С. 153-167. DOI: 10.21046/2070-7401-2022-19-4-153-167 
    
19. Брюхов Д.О., Ступников С.А. Логическая реляционная модель структур данных для решения задач в предметной области управления землепользованием // Информатика и ее применения. – 2022. – Т. 16. – № 4. – С. 93-98. DOI: 10.14357/19922264220414 
    
20. Nikitin DA, Ivanova EA, Semenov MV, Zhelezova AD, Ksenofontova NA, Tkhakakhova AK, Kholodov VA. Diversity, Ecological Characteristics and Identification of Some Problematic Phytopathogenic Fusarium in Soil: A Review // Diversity. 2023; 15(1):49 DOI: 10.3390/d15010049 
    
21. Прияткин Н.С., Архипов М.В., Щукина П.А., Мирская Г.В., Чесноков Ю.В. Оценка разнокачественности и скрытой дефектности семян пшеницы (Triticum aestivum L.) инструментальными физическими методами. Сельскохозяйственная биология, 2022, том 57, № 5, с. 911-920. DOI: 10.15389/agrobiology.2022.5.911rus 
    
22. Соломатин А.В., Новиков С.Ю., Гармаш Н.Ю., Политыко П.М., Гармаш Г.А. Влияние средств защиты растений на отзывчивость сортов зерновых культур при возделывании по технологиям разной степени интенсивности // Плодородие. – 2022. – №6. – С. 29-32. DOI: 10.25680/S19948603.2022.129.08 
    
23. Новиков С.Ю., Соломатин А.В., Гармаш Г.А. и др. Влияние температуры почвы и технологий возделывания на урожайность зерновых культур на дерново-подзолистых почвах Центрального Нечерноземья // Биосфера. – 2022. – Т. 14. – № 4. – С. 352-355. 
    
24. Шкуркин С.И. Особенности функционирования внутреннего рынка производства и потребления минеральных удобрений в Российской Федерации // АПК: экономика, управление. 2023. №12. С.48-55. https://doi.org/10.33305/2312-48.