Kuinka kasvillisuusindeksit parantavat maissin kasvun seurantaa

Maissi on maailman eniten tuotettu viljakasvi määrällisesti mitattuna, ja pelkästään Yhdysvalloissa sitä viljellään yli noin 35 miljoonaa hehtaaria ja tuotti 390 miljoonaa tonnia vuonna 2023. Tuolla mittakaavassa tapahtuva viljelykasvin hoito vaatii enemmän kuin vain jalkaisin tapahtuvaa tiedustelua. Maissin kasvun seurannassa käytettävät kasvillisuusindeksit – matemaattiset kaavat, jotka on johdettu siitä, miten kasvien latvus heijastaa ja absorboi valoa – ovat tulleet nykyaikaisen viljelyn kulmakiveksi, koska ne muuntavat spektridatan toimintakelpoiseksi sadon terveystiedoksi. Ne tekevät tämän nopeasti, skaalautuvasti ja koskematta yhteenkään lehteen.

Kaukokartoitusteknologia, joka on nyt saatavilla satelliittien, dronejen ja kannettavien antureiden kautta, syöttää reaaliaikaista spektritietoa näihin indekseihin maissin kasvukauden jokaisessa vaiheessa. Viljelijä tai agronomi voi havaita typpistressin V6-vaiheessa ennen lehtien kellastumista, havaita veden puutteen jyvien täyttymisen aikana ennen satojen laskua tai kalibroida muuttuvan määrän lannoitteita käyttämällä latvustokarttoja, jotka on luotu samalla viikolla, kun sato tarvitsee lannoitusta.

Mitä ovat kasvillisuusindeksit? Miten ne toimivat?

Kasvillisuusindeksi (VI) on dimensioton, kvantitatiivinen arvo, joka lasketaan yhdistämällä matemaattisesti anturin tallentamien kahden tai useamman spektrikaistan heijastusarvot. Tuloksena on yksi luku, joka eristää ja vahvistaa kasvillisuuden tiettyjä biologisia ominaisuuksia – kuten klorofyllipitoisuutta, lehtipinta-alaa tai vesipitoisuutta – samalla vaimentaen maaperän, ilmakehän ja varjojen aiheuttamia häiriöitä.

Kasvillisuusindeksin teho piilee sen kyvyssä standardoida mittauksia eri anturien, peltojen ja päivämäärien välillä. Raakojen heijastuslukujen vertaamisen sijaan, jotka muuttuvat valaistusolosuhteiden mukaan, VI tarjoaa suhteen tai eron, joka on vakaampi ja biologisesti merkityksellisempi. Tämä mahdollistaa latvuston terveyden vertailun eri peltojen, vuodenaikojen ja jopa satelliittialustojen välillä.

Kasvit absorboivat tiettyjä valon aallonpituuksia yhteyttämistä varten ja heijastavat toisia. Terve vihreä kasvillisuus absorboi suurimman osan punaisesta valosta (noin 660–680 nm) klorofyllin ohjaamaa yhteyttämistä varten ja heijastaa voimakkaasti lähi-infrapunavaloa (NIR) solurakenteensa ansiosta.

Stressaantunut tai harva latvusto absorboi vähemmän punaista ja heijastaa enemmän sekä heijastaa vähemmän lähi-infrapunaa. Kasvillisuusindeksit kuvaavat tätä kontrastia matemaattisesti ja määrittävät, kuinka vihreä, tiheä ja terve latvusto on tietyllä hetkellä.

Kasvillisuusindekseissä käytetyt spektrivyöhykkeet

Eri spektrikaistat tuottavat erilaista diagnostista tietoa sadosta. Jokainen kaista kohdistuu eri biologiseen prosessiin, minkä vuoksi monikaistaiset anturit tarjoavat rikkaampaa dataa kuin yksinkertaiset RGB-kamerat. Maissin seurannassa olennaisimmat kuusi kaistaa ovat:

• Punainen (620–700 nm): Klorofylli imee itseensä voimakkaasti. Punaisen absorption lasku viestii fotosynteesin vähenemisestä, mikä viittaa stressiin, ravinteiden puutteeseen tai varhaiseen latvustuksen vanhenemiseen.
• Vihreä (520–560 nm): Kasvit heijastavat vihreää valoa enemmän kuin punaista, minkä vuoksi ne näyttävät vihreiltä. Vihreän heijastavuus korreloi klorofyllipitoisuuden kanssa ja sitä käytetään indekseissä, kuten GNDVI ja VARI.
• Sininen (450–490 nm): Karotenoidit ja klorofylli imevät itseensä. Käytetään enimmäkseen RGB-pohjaisissa indekseissä, kuten VARI:ssa, joissa on saatavilla vain näkyvät vyöhykkeet.
• Lähi-infrapuna (NIR, 750–900 nm): Heijastuu voimakkaasti terveiden lehtien sienimäisestä mesofylliskudoksesta. Lähi-infrapunaheijastuskyky on NDVI:n, EVI:n ja useimpien laajakaistaisten indeksien perusta. Tiheä, terve maissintähkä osoittaa korkeaa lähi-infrapunaheijastusta.
• Punainen reuna (700–740 nm): Punaisen absorption ja NIR-heijastuksen välinen siirtymäalue. Klorofyllipitoisuudella ja typpitilanteella on voimakas vaikutus tähän vyöhykkeeseen, minkä vuoksi se on erittäin herkkä varhaisen vaiheen ravinnestressin havaitsemisessa ennen kuin se tulee visuaalisesti havaittavaksi.
• Lyhytaaltoinen infrapuna (SWIR, 1 400–2 500 nm): Kasvikudoksen nestemäiseen veteen imeytyvä. SWIR-pohjaiset indeksit mittaavat latvustuksen vesipitoisuutta ja havaitsevat kuivuusstressiä, mikä tekee niistä arvokkaita jyvien täyttymisen aikana, kun veden niukkuus vaikuttaa suoraan satoon.

Miksi kasvillisuusindeksit ovat tärkeitä maissin kasvun seurannassa

1. Kasvien terveyden seuranta

Kasvien terveys kattaa useita päällekkäisiä tekijöitä: klorofyllipitoisuuden, lehtipinta-alan indeksin (LAI – lehtien kokonaispinta-alan suhde maan pinta-alaan), kasvien veden tilan ja latvuston lämpötilan. Yksikään kenttäkäynti ei voi ottaa kaikkia näitä samanaikaisesti huomioon sadoilla hehtaareilla.

Kasvillisuusindeksit tiivistävät tämän monimutkaisuuden mitattavissa oleviksi arvoiksi, joita voidaan seurata toistuvasti kasvukauden aikana, jotta voidaan havaita lasku ennen kuin siitä tulee sadonmenetystä.

Tutkimus julkaistiin vuonna Maatalous (2023) seurasivat kolmea maissihybridiä kuivuus- ja keinokasteltuissa olosuhteissa miehittämättömiin ilmalaivoihin asennettujen NDVI-antureiden avulla. Tutkijat seurasivat latvuston terveyttä viikoittain taimenen ilmestymisestä kypsyyteen ja havaitsivat, että NDVI-arvot erosivat merkittävästi keinokasteltujen ja sadekasteltujen koealojen välillä jo V8-vaiheessa, viikkoja ennen näkyvien stressioireiden ilmenemistä. Tällainen varhainen erottelu mahdollistaa oikea-aikaisen puuttumisen.

2. Kasvien elinvoiman mittaaminen

Kasvin elinvoima – sadon kokonaiskasvunopeus ja biomassan kertyminen – ennustaa suoraan satopotentiaalia. Indeksit, kuten NDVI ja EVI, korreloivat vahvasti LAI:n ja maanpäällisen kuiva-ainepitoisuuden kanssa maississa.

Elinvoiman seuranta keskeisissä kasvuvaiheissa antaa agronomeille mahdollisuuden tunnistaa pellolla heikosti tuottavat alueet ja säätää panoksia vastaavasti sen sijaan, että sovellettaisiin yhdenmukaista hoitopäätöstä kaikilla alueellisesti vaihtelevilla mailla.

3. Stressin havaitseminen ennen visuaalisia oireita

Tämä on kenties kasvillisuusindeksien kaupallisesti arvokkain ominaisuus. Typen puutteesta, vesistressistä tai varhaisesta tautipaineen aiheuttamasta maissikasvista tulee ensin muutoksia spektraalisessa heijastavuudessaan – erityisesti punaisella reunalla ja NIR-alueilla – päiviä tai viikkoja ennen kuin lehdet kellastuvat, nuutuvat tai niissä näkyy näkyviä vaurioita.

Punareunaan perustuvat indeksit, erityisesti NDRE ja CI Red Edge, ovat erityisen herkkiä subvisuaaliselle typpistressille ja klorofyllin vähenemiselle. Jang ym. (ScienceDirect, 2024) havaitsivat, että yhdistämällä NDVI-, NDRE- ja GNDVI-indeksit käyttäen moninkertaista lineaarista regressiota paransi merkittävästi maissin satoennusteiden suorituskykyä verrattuna mihin tahansa yksittäiseen indeksiin.

Yhteen indeksiin luottavat viljelijät menettävät useiden indeksien lähestymistapojen additiivisen ennustusvoiman, erityisesti kriittisissä lisääntymisvaiheissa.

4. Tuottoennusteiden parantaminen

Strategisissa kasvuvaiheissa – erityisesti tupsu- ja silkkikasvuston aikaan – kerätyt kasvillisuusindeksit ennustavat vahvasti lopullista viljasatoa. Tutkimus julkaistiin julkaisussa Kaukokartoitus (2023) yhdisti miehittämättömien ilma-alusten moniaikaisia tietoja, mukaan lukien NDVI, NDRE, SAVI ja EVI, eri vegetatiivisissa ja lisääntymisvaiheissa, ja saavutti maissin sadon ennustusmallin, jossa on R² 0,78 ja rRMSE 8,27%, jotka suoriutuvat paremmin kuin yksivaiheiseen dataan perustuvat mallit.

Keskeinen havainto: useiden indeksien käyttäminen useissa kasvuvaiheissa kuvaa paljon laajempaa valikoimaa tuottoon vaikuttavia tekijöitä kuin yksittäinen mittaustulos.

5. Täsmäviljelyn tukeminen

Täsmäviljely perustuu paikkakohtaisten panosten määräämiseen alueellisen vaihtelun dataan. Drooni- tai satelliittikuvista tuotetut kasvillisuusindeksikartat paljastavat pellon sisäisen vaihtelun sadon suorituskyvyssä, jota keskimääräiset peltomittaukset peittävät.

Nämä kartat syötetään suoraan muuttuvan annostuksen levitysjärjestelmiin, jolloin viljelijät voivat levittää enemmän lannoitetta sinne, missä sato sitä tarvitsee, ja vähemmän sinne, missä sitä ei tarvita, mikä vähentää samanaikaisesti kustannuksia ja ympäristövaikutuksia.

Maissin kasvuvaiheet, joissa kasvillisuusindeksit ovat hyödyllisimpiä

“Oikea indeksi oikeassa kasvuvaiheessa avaa tietoa sadosta, jota yleiskatsaus ei yksinkertaisesti pysty tarjoamaan – ja tiedonkeruun ajoitus on yhtä tärkeä kuin valittu indeksi.”

1. Emergence-vaihe

Kasvillisuus on esiin noustessa harvaa ja maaperä hallitsee kuvaa. Tavallinen NDVI toimii tässä huonosti, koska maaperän taustakohina peittää alleen heikon latvustosignaalin. Maaperäkorjatut indeksit, kuten SAVI ja MSAVI, ovat sopivia työkaluja tässä vaiheessa.

Ne käyttävät korjauskerrointa vähentääkseen paljaan maaperän vaikutusta indeksiarvoon, mikä mahdollistaa kasvien tiheyden ja varhaisen vakiintumisen tasaisuuden merkitykselliset mittaukset.

2. Vegetatiivinen kasvu (V-vaiheet)

Maissin latvusto laajenee nopeasti vaiheesta V3 vaiheeseen V12. Tämä on typen hallinnan kannalta kriittisin aikaväli, sillä sadon typen tarve kasvaa jyrkästi.

NDRE ja CI Green ovat herkimpiä indeksejä tänä aikana, koska punainen reunavyöhyke havaitsee hienovaraisia klorofyllin vähenemisiä ennen NDVI:n laajempien signaalien muutoksia. Miehittämättömien ilma-alusten lennot V6- ja V10-taajuuksilla, jotka on ajoitettu sivuttain tapahtuvalla typpipäästöjen valvonnalla, tuottavat parhaan tuoton datainvestoinnille.

3. Tupsujen ja silkkien kiinnittäminen

Tupsuutuminen (VT) ja silkkiytyminen (R1) ovat maissin koko elinkaaren sadon kannalta herkimmät vaiheet. Tässä vaiheessa latvuksen sulkeutuminen on lähes valmis, mikä tarkoittaa, että NDVI ja EVI voivat nyt lukea koko latvuksen ilman maaperän häiriöitä.

Molemmat indeksit ovat huipussaan terveillä sadoilla VT-ajan tienoilla. Mikä tahansa indeksiarvojen tasaantuminen tai aikainen lasku tässä vaiheessa on luotettava indikaattori stressistä, joka johtaa jyvien keskenmenoon ja sadonmenetykseen.

4. Viljatäyte

Viljan täyttymisen aikana (R3–R5) ensisijainen hoidon huolenaihe siirtyy vesistressiin ja tauteihin. NDWI (Normalized Difference Water Index, lasketaan NIR- ja SWIR-kaistoista) ja lämpötilaindeksit täydentävät tässä vaiheessa vakiokokonaisuutta havaitsemalla latvuston vesipitoisuuden vähenemistä, joka edeltää näkyvää nuutumista.

NDVI-arvot alkavat laskea luonnollisesti sadon kypsyessä, joten indeksikehityksen tulkinta edellyttää vertailua viljeltävän hybridin odotettuun kausivaihteluun nähden.

5. Kypsyys

Fysiologisessa kypsyydessä (R6) kaikki tärkeimmät kasvillisuusindeksit laskevat latvustuksen vanhentuessa ja klorofyllin vähentyessä. Kypsyysvaiheen indeksitietoja käytetään ensisijaisesti retrospektiiviseen analyysiin – kausittaisten VI-trajektorien korreloimiseen todellisen satomäärän kanssa ennustemallien validoimiseksi ja tulevien kausien vertailuarvojen parantamiseksi. Indeksikäyrien aikasarja-analyysi taimesta kypsyyteen tarjoaa rikkaimman tietopohjan lohkokohtaisten satomallien rakentamiseen.

Yleiset kasvillisuusindeksit maissin kasvun seurannassa

1. NDVI (normalisoitu kasvillisuusindeksi)

NDVI on maataloudessa eniten käytetty kasvillisuusindeksi. Se mittaa lähi-infrapunan ja punaisen heijastavuuden välistä kontrastia ja lasketaan seuraavasti:

NDVI = (NIR − Punainen) / (NIR + Punainen)

NDVI-arvot vaihtelevat välillä −1 - +1. Terveet ja tiheät maissintähkät saavat tyypillisesti vihreyden huipussaan arvon 0,7–0,9. Sen parhaita sovelluksia ovat latvustuksen kehityksen seuranta V6:sta tupsukasvuun, heikosti tuottavien peltoalueiden tunnistaminen ja korrelointi LAI:n ja maanpäällisen biomassan kanssa.

NDVI:n keskeinen rajoitus on saturaatio tiheissä latvustoissa – kun LAI ylittää noin 3 m²/m², lisääntynyt lehtipinta-ala aiheuttaa pieneneviä muutoksia NDVI-signaalissa, mikä vähentää herkkyyttä latvustuksen huippukohdassa.

Vuonna 2024 julkaistu tutkimus Maatalous (MDPI) havaitsi miehittämättömien ilma-alusten (UAV) avulla kahden kasvukauden aikana tehdyn NDVI-seurannan avulla, että voimakkain NDVI:n ja sadon välinen korrelaatio tapahtui silkkiytymisen jälkeisessä vaiheessa (R2 = 0,638 vuonna 2023 ja R2 = 0,634 vuonna 2024), mikä vahvistaa NDVI:n luotettavuuden kauden sisäisenä satoindikaattorina kyseisellä kasvuikkunalla.

2. GNDVI (vihreä NDVI)

GNDVI korvaa punaisen kaistan vihreällä kaistalla: GNDVI = (NIR − Vihreä) / (NIR + Vihreä). Vihreä kanava on herkempi klorofyllipitoisuudelle kuin punainen kanava, minkä ansiosta GNDVI havaitsee paremmin kohtalaista klorofyllin vaihtelua kypsissä, tiheissä latvustoissa, joissa NDVI on kyllästynyt.

Sen ensisijainen käyttö maissilla on typpitilan arviointi kasvukauden keskivaiheilla ja lisääntymisvaiheissa. Tutkimus julkaistu julkaisussa ScienceDirect (2024) vahvisti, että GNDVI yhdistettynä NDRE:hen moni-indeksisissä regressiomalleissa paransi merkittävästi maissin satoennusteiden tarkkuutta, erityisesti kukintaa edeltävissä vaiheissa.

3. EVI (parannettu kasvillisuusindeksi)

EVI parantaa NDVI:tä sisällyttämällä sinisen kaistan ja käyttämällä ilmakehän korjauskertoimia: EVI = 2,5 × [(NIR − Punainen) / (NIR + 6 × Punainen − 7,5 × Sininen + 1)]. Tämä kaava vähentää samanaikaisesti ilmakehän kohinaa ja maaperän taustahäiriöitä, mikä tekee EVI:stä herkemmän kuin NDVI tiheässä latvustossa, jossa NDVI saturoituu.

EVI on ensisijainen indeksi maissin latvusrakenteen seurantaan tupsujen muodostumisesta jyvien täyttymiseen, kun kasvipeite on lähes täydellinen. Se on MODIS-satelliittituotteiden ydinindeksi ja sitä käytetään laajalti alueellisessa maissin seurannassa.

Tutkimus aiheesta Maatalous (2024) havaitsi MODIS MOD09A1 -datan avulla Jilinin maakunnassa Kiinassa, että Useiden kasvillisuusindeksien, mukaan lukien EVI:n, yhdistäminen muotomalliin paransi merkittävästi fenologisen vaiheen havaitsemisen tarkkuutta maissin tärkeimpien kasvukausien aikana verrattuna yhden indeksin lähestymistapoihin.

Laajamittaisessa alueellisessa satojen seurannassa EVI:n yhdistäminen muihin aikasarjamallien indekseihin tarjoaa luotettavamman fenologisen seurannan kuin mikään yksittäinen indeksi yksinään.

4. SAVI (maaperään suhteutettu kasvillisuusindeksi)

SAVI lisää maaperän kirkkauskorjauskertoimen (L) NDVI-kaavaan: SAVI = [(NIR − Punainen) / (NIR + Punainen + L)] × (1 + L), jossa L = 0,5 tyypillisissä maaperäolosuhteissa. Vaimentamalla paljaan maaperän heijastuskykyä SAVI tuottaa tarkempia latvusmittauksia maissin kasvun alkuvaiheissa, kun maanpeite on alle 50%. Se on vakiovalinta kasvien juurtumisen, kasvuston tasaisuuden ja alkukauden elinvoiman seurantaan taimettumisen ja kasvukauden neljänteen vaiheeseen asti.

5. NDRE (Normalisoitu ero punainen reuna)

NDRE käyttää punaista reunaa ja NIR-kaistoja: NDRE = (NIR − punainen reuna) / (NIR + punainen reuna). Punainen reunavyöhyke sijaitsee spektrialueella, jossa pienet muutokset klorofyllipitoisuudessa aiheuttavat suuria heijastuskykymuutoksia, mikä tekee NDRE:stä herkemmän kuin NDVI:n typen aiheuttamalle klorofyllin vaihtelulle.

Tutkimus julkaistiin vuonna Anturit (2024) havaitsi LSU:n AgCenterin tutkimusasemalla miehittämättömien ilma-alusten fotogrammetriaa käyttäen, että NDRE 87 päivää istutuksen jälkeen ennusti maissinjyväsadon R²-arvolla 0,9097., poikkeuksellisen vahva suhde, joka korostaa NDRE:n arvoa loppukauden typen hallinnassa ja satoennusteissa.

6. MSAVI (muokattu maaperään suhteutettu kasvillisuusindeksi)

MSAVI parantaa SAVI:ta tekemällä L-tekijästä dynaamisen kiinteän sijaan, joten se mukautuu automaattisesti kasvillisuuden peittävyyden mukaan: MSAVI = [2 × NIR + 1 − √((2 × NIR + 1)² − 8 × (NIR − Punainen))] / 2.

Tämä itsesäätyvä menetelmä tekee MSAVI:sta tarkemman kuin SAVI:n koko latvuston kehityksen alueella paljaan maan ilmestymisestä täyteen tupsupeitteeseen. Se ei vaadi oletuksia maaperän kirkkuudesta, joten sitä voidaan paremmin soveltaa eri kenttäolosuhteisiin ja maaperätyyppeihin.

7. VARI (näkyvä ilmakehän kestävyysindeksi)

VARI käyttää vain näkyviä kaistoja (punainen, vihreä, sininen): VARI = (Vihreä − Punainen) / (Vihreä + Punainen − Sininen). Sen arvo piilee siinä, että se on laskettavissa tavallisista RGB-kameroista – jollaisia useimmat kaupalliset droonit kantavat mukanaan edullisesti.

Vaikka VARI:lla ei ole monispektristen indeksien kaltaista typpi- ja biomassaherkkyyttä, se tarjoaa käyttökelpoisen ensikierron arvion latvuston vihreydestä, mikä tekee siitä helposti saatavilla myös viljelijöille, joilla ei vielä ole monispektrisiä anturiominaisuuksia.

Tutkimus julkaistu julkaisussa ScienceDirect (2025) vahvisti VARI:n olevan yksi hyödyllisistä VI-syötteistä koneoppimismalleissa maissin sadon ennustamiseen vaihtelevissa kasvuympäristöissä.

8. OSAVI (Optimoitu maaperään suhteutettu kasvillisuusindeksi)

OSAVI on yksinkertaistettu versio SAVI:sta, jonka kiinteä L-arvo on 0,16 ja joka on optimoitu osittaisen latvuston peittävyyden olosuhteisiin: OSAVI = (NIR – punainen) / (NIR + punainen + 0,16).

Tämä spesifinen L-arvo määritettiin empiirisesti maaperän taustavaikutusten minimoimiseksi laajalla kasvillisuustiheysalueella. OSAVI toimii hyvin luokilla V2–V6, kuroen umpeen kuilua SAVI:n varhaiskauden hyödyllisyyden ja NDVI:n huippukauden tarkkuuden välillä.

9. CI Green (klorofylli-indeksin vihreä)

CI Green arvioi klorofyllipitoisuuden suoraan heijastavuudesta: CI Vihreä = (NIR / Vihreä) − 1. Koska klorofylli on lehtien ensisijainen typpeä varastoiva pigmentti, CI Green seuraa latvuston typpitilaa ilman punaista reunavyöhykettä.

Tämä tekee siitä arvokkaan, kun käytettävissä on vain vakiovihreä vyöhyke, kuten Sentinel-2-kuvista, ja se toimii luotettavasti V6:sta silkkikertymään asti typen hallintaa koskevissa päätöksissä keskikauden aikana.

10. CI Red Edge (klorofylli-indeksin punainen reuna)

CI Red Edge korvaa vihreän kaistan punaisella reunakaistalla: CI-punareuna = (NIR / punainen reuna) − 1. Tämä substituutio tekee siitä huomattavasti herkemmän klorofyllimuutoksille kuin CI Green, erityisesti keski- ja myöhäisissä kasvuvaiheissa, kun latvusto on niin tiheä, että vihreän kaistan signaali alkaa saturoitua. CI Red Edge on yksi parhaiten suoriutuvista indekseistä hienovaraisten typpigradienttien havaitsemiseen maissin peltoviljelyvyöhykkeillä.

Kasvillisuusindeksien vertailu maissin seurannassa

1. Paras indeksi varhaiseen kasvuun

SAVI ja MSAVI ovat jatkuvasti NDVI:tä ja EVI:tä parempia maissin varhaisessa kehitysvaiheessa (itäminen V4:ään asti), koska ne vähentävät maaperän taustakohinaa, joka muutoin hallitsisi indeksisignaalia, kun latvuston peittävyys on alle 40%. OSAVI tarjoaa hyödyllisen välivaihtoehdon, kun maaperän olosuhteet vaihtelevat pellolla.

2. Paras typen havaitsemisindeksi

NDRE ja CI Red Edge ovat vahvimmat indeksit typen puutteen havaitsemiseksi maississa. Molemmat hyödyntävät punaisen reunavyöhykkeen suurta herkkyyttä klorofyllipitoisuudelle. V6–V10-vaiheessa – kriittisimmässä vaiheessa typen levityspäätöksiä varten – nämä indeksit havaitsevat puutteen 7–14 päivää ennen kuin NDVI osoittaa mitattavissa olevaa vastetta, mikä tarjoaa merkittävän viiveen korjaaville toimenpiteille.

3. Paras indeksi biomassan arviointiin

NDVI ja EVI ovat maissin maanpäällisen kuivabiomassan arvioinnin valideimmin validoituja indeksejä. Tutkimus, jossa käytetään miehittämättömien ilma-alusten monispektrikuvia yhdistettynä tekstuuriominaisuuksiin PMC (2023) havaitsivat, että punaiseen (650 nm), punaisen reunan (705 nm) ja NIR-alueeseen (842 nm) perustuvat kasvillisuusindeksit korreloivat voimakkaimmin LAI:n kanssa – joka on läheisesti liittyvä mittari biomassan kertymiselle kasvukauden aikana.

4. Paras indeksi tiheille latvustoille

EVI on ensisijainen indeksi, kun maissin latvusto on sulkeutunut täysin, tyypillisesti tupsujen muodostumisesta jyvien täyttymiseen. Kun NDVI saturoituu LAI:n ollessa noin 3, EVI reagoi edelleen lisääntyneeseen lehtipinta-alaan ja klorofyllin vaihteluun, koska sen ilmakehän ja maaperän korjaustermit estävät signaalin saturoitumisen suurilla biomassatasoilla.

5. Paras kuivuusstressin indeksi

NDWI (NIR- ja SWIR-pohjainen vesi-indeksi) ja NDVI yhdessä käytettynä ovat tehokkain yhdistelmä kuivuusstressin havaitsemiseksi maissilla. NDWI seuraa kudosten vesipitoisuuden muutoksia suoraan, kun taas NDVI tallentaa vesistressin toissijaisen vaikutuksen latvuston vihreyteen. SWIR-ominaisuutta sisältävät monispektriset anturit tuovat tässä eniten lisäarvoa, vaikkakin nämä anturit ovat kalliimpia kuin perinteiset viisikaistaiset monispektriset järjestelmät.

Kasvillisuusindeksien sovellukset maissintuotannossa

Kasvillisuusindeksi on vain niin hyödyllinen kuin sen mahdollistama päätös – tavoitteena on aina muuntaa spektritiedot kenttätoimenpiteiksi, jotka parantavat satoa, vähentävät kustannuksia tai molempia.

1. Biomassan arviointi

NDVI- ja EVI-arvot korreloivat voimakkaasti maanpäällisen kuivan biomassan kanssa maissin kasvukauden aikana. Toistuvat miehittämättömien ilma-alusten lennot tai satelliittien ylilennot kahden viikon välein luovat biomassan kertymiskäyriä, jotka paljastavat, onko pelto matkalla kohti satopotentiaaliaan vai jäämässä jälkeen odotetusta kasvuurasta tietyllä kaudella.

2. Klorofyllin mittaus

CI Green ja CI Red Edge tarjoavat ei-tuhoavia latvustotason klorofylliarvioita, jotka seuraavat sadon fotosynteesikapasiteettia. Tutkimus julkaistu julkaisussa PMC (2024) vahvistivat maissilla UAV-pohjaisen SPAD-estimoinnin (klorofyllimittarin lukema) avulla, että muokattu punareunan suhdeindeksi saavutti R² 0,87 lehtien klorofyllipitoisuuden ennustamiseen keskikasvuvaiheessa, mikä osoittaa punareunaindeksien tarjoaman käytännön tarkkuuden tässä sovelluksessa.

3. Typen tilan arviointi

Typpi on ravinne, joka suorimmin rajoittaa maissisatoa, ja sen tila vaihtelee kauden aikana sadon kysynnän muuttuessa. Vuonna 2025 julkaistu tutkimus Kasvitieteen rajaseudut integroi Sentinel-2A-satelliittikuvia, miehittämättömien ilma-alusten monispektridataa ja maanpäällisiä havaintoja neljässä maissin kasvuvaiheessa vuonna 2024 ja kehitti uuden alueellisen mittakaavan typpipitoisuuden inversiomallin käyttämällä useita kasvillisuusindeksejä yhdistettynä kaistakorjaukseen.

Kehys saavutti korkean validointitarkkuuden 48 riippumattomassa näytteenottopisteessä, mikä osoittaa, kuinka satelliitti-miehittämättömän ilma-aluksen fuusio laajentaa VI-pohjaisen typenhallinnan skaalautuvuutta yksittäisten peltojen ulkopuolelle maatilojen ja alueelliseen tasoon.

4. Vesistressin havaitseminen

Maissin vesistressi vähentää ensin ilmarakojen konduktanssia, sitten lehtien vesipitoisuutta ja lopuksi vihreää biomassaa – kolme prosessia, jotka vaikuttavat peräkkäin eri spektrikaistoihin. Varhaisvaiheen vesistressi näkyy lämpövyöhykedatassa ja SWIR-pohjaisissa indekseissä ennen NDVI:n laskua.

NDWI:n ja NDVI:n yhdistelmän seuranta jyvien täyttymisjakson aikana – jolloin vesistressillä on suurin vaikutus satoon – mahdollistaa kastelun ajoituksen todellisen sadon kysynnän perusteella kalenteripohjaisten sääntöjen sijaan.

5. Tautien seuranta

Sienitaudit, kuten maissin lehtilaikku ja harmaalaikku, muuttavat tartunnan saaneiden lehtien spektrikuviota ennen kuin suuret leesiot ovat ihmissilmän havaittavissa. Tartunnan saaneessa kudoksessa näkyy tyypillinen NIR-heijastuskyvyn lasku ja punaisen reunan sijainnin muutos.

Usean ajankohdan VI-seuranta mahdollistaa paikallisten spektripoikkeamien havaitsemisen, jotka viittaavat kehittyvään tautipaineen, mikä mahdollistaa kohdennetun sienitautien levityksen koko lohkon ruiskutuksen sijaan.

6. Tuholaisten aiheuttamien vahinkojen havaitseminen

Tuholaisten syönnin aiheuttama lehtien putoaminen vähentää LAI:ta, mikä suoraan alentaa NDVI- ja EVI-arvoja vaurioituneilla alueilla. Esimerkiksi armyworm-tartunnat luovat tyypillisiä indeksin laskun spatiaalisia kuvioita, jotka ovat havaittavissa drone-kuvista ennen tartunnan leviämistä naapurilohkoille.

Tarkkojen miehittämättömien ilma-alusten (UAV) lentojen avulla (näytteenottoetäisyys maassa alle 5 cm) saadaan aikaan paikkatietoa, jota tarvitaan hyönteisten aiheuttamien vahinkojen erottamiseksi muista latvuston vaihtelun syistä.

7. Saantoarvio

Tietyissä kriittisissä kasvuvaiheissa – erityisesti V12, VT ja R3 – mitatut kasvillisuusindeksin arvot ovat luotettavia lopullisen viljasadon ennustajia yhdistettynä historiallisiin satokarttoihin ja säätietoihin. Usean indeksin fuusiomenetelmät ovat jatkuvasti parempia kuin yhden indeksin mallit.

GNDVI:n, NDRE:n ja SCCCI:n (Simplified Canopy Chlorophyll Content Index) yhdistelmä kukintaa edeltävänä aikana on osoittanut erityisen vahvaa sadon ennustamisen tarkkuutta julkaistuissa maissitutkimuksissa. ScienceDirect (2026).

Kahden kasvukauden aikana Unkarissa tehdyssä tutkimuksessa havaittiin korrelaatiokertoimiksi 0,638 ja 0,634 silkinkorjuun jälkeisen NDVI:n ja lopullisen jyväsadon välillä. Moni-indeksimallit, mukaan lukien NDRE ja GNDVI, parantavat ennustustarkkuutta entisestään.

8. Muuttuva lannoitteiden levitysmäärä

Droonilennoista luotuja VI-pohjaisia latvustokarttoja käytetään suoraan muuttuvan määrän typpilevittimiä koskevien ohjekarttojen laatimiseen. Pellot jaetaan hoitovyöhykkeisiin indeksiarvojen perusteella, ja jokainen vyöhyke saa sen sadon tarpeen mukaan kalibroidun typpiannoksen.

Kaukokartoitus ja muuttuvanopeuksinen teknologia yhdessä selittivät 58% täsmäviljelyteknologian markkinaosuudesta vuonna 2025 (Precedence Research, 2026), mikä heijastaa sitä, kuinka keskeiseksi tästä työnkulusta on tullut kaupallisessa maissintuotannossa.

Vuonna 2025 tehdyssä tutkimuksessa Maatalous (MDPI) havaitsi, että kohtalaiset typpiannokset 120–180 kg ha⁻¹ tarjosi maissille optimaalisen ravinnetason, lisäten satoa jopa 5,086 t ha⁻¹ verrattuna lannoittamattomiin kontrolleihin, ja NDVI-pohjainen seuranta osoittautui tehokkaaksi paitsi sadon optimoinnissa myös erityisesti paikkakohtaisten lannoitusstrategioiden ohjaamisessa.

NDVI-pohjainen typen hallinta silkinmuodostuksen jälkeisessä vaiheessa (kun VI:n ja sadon korrelaatio on huipussaan) voi korvata perinteiset, pelkästään maaperätesteihin perustuvat lannoitusmenetelmät ja parantaa merkittävästi sekä panostehokkuutta että jyväsatoa.

Kasvillisuusindeksitietojen keräämiseen käytetyt alustat

1. Satelliittikuvat

Satelliitit, kuten Sentinel-2 (10 m resoluutio, 5 päivän uudelleenkäynti) ja Planet Labs -satelliitit (3 m resoluutio, päivittäinen uudelleenkäynti), tarjoavat yhdenmukaista, sään sallimaa spektritietoa laajoilta alueilta alhaisilla hehtaarikustannuksilla.

Sentinel-2:n punaisten reunavyöhykkeiden (B5, B6, B7 aallonpituuksilla 705, 740 ja 783 nm) sisällyttäminen tekee siitä erityisen arvokkaan NDRE- ja CI-punareunalaskelmissa alueellisissa maissin seurantaohjelmissa. Rajoituksena on pilvipeite: pilvinen jakso kriittisen kasvuikkunan aikana voi aiheuttaa datakatkoksia, jotka keskeyttävät ajallisen seurannan.

2. Droonipohjainen kaukokartoitus

Monispektrikameroilla varustetut kiinteäsiipiset ja moniroottoriset droonit tarjoavat kenttämittakaavan kuvia 2–10 cm:n pikselitarkkuudella. Tämä yksityiskohtien taso erottelee yksittäiset kasvirivit, jolloin voidaan mitata rivien sisäisiä vaihteluita latvuston terveydentilassa.

Droonikartoituksia voidaan ajoittaa tarpeen mukaan satelliitin ylilennon ajoituksesta riippumatta, mikä tekee niistä ihanteellisia tiedon keräämiseen tarkoissa viljelypäätöspisteissä, kuten typen sivulevityksessä tai kastelun aikataulutusikkunoissa.

3. Miehittämättömien ilma-alusten monispektrikamerat

Monispektrikamerat, kuten MicaSense RedEdge, Parrot Sequoia ja DJI Zenmuse P1, kuvaavat samanaikaisesti kuvia viidellä tai useammalla kapealla spektrikaistalla, mukaan lukien punainen, vihreä, sininen, punainen reuna ja NIR.

Näihin järjestelmiin kuuluu kalibroitu heijastuspaneeli ja auringonpaisteanturi, jotka normalisoivat tietoja vaihtelevissa valaistusolosuhteissa lennon aikana, mikä on välttämätöntä tarkkojen ja toistettavien indeksiarvojen tuottamiseksi suhteellisten vertailujen sijaan.

4. Kädessä pidettävät satoanturit

Aktiiviset optiset anturit, kuten GreenSeeker ja CropCircle, lähettävät omaa valonlähdettään ja mittaavat yksittäisten kasvien heijastavuutta lähietäisyydeltä, mikä eliminoi vaihtelevan auringonvalon vaikutuksen.

Näitä antureita käytetään typpitilan nopeaan arviointiin pellolla tietyissä näytteenottopisteissä. Niiden tiedot täydentävät drone- ja satelliittikuvia tarjoamalla maastomittauksia, jotka validoivat kaukokartoitusindeksien arvot tunnetuissa paikoissa.

5. Traktoriin asennetut anturit

Traktoriin asennetut aktiiviset anturit, kuten John Deere Hagie ja Trimble GreenSeeker RT, skannaavat maissin latvustoa jatkuvasti traktorin liikkuessa pellolla ja syöttävät reaaliaikaista NDVI-dataa suoraan muuttuvan lannoitteen säätimeen. Tämä suljetun piirin järjestelmä mahdollistaa lannoitteen määrän säädön lennon aikana reaaliaikaisten sadon kuntotietojen perusteella ilman erillistä tiedonkäsittelyvaihetta anturien ja levityksen välillä.

Kasvillisuusindeksin tarkkuuteen vaikuttavat tekijät maissipelloilla

1. Maaperän tausta

Paljaalla maaperällä on oma spektraalinen ominaisuutensa, joka sekoittuu kasvillisuuden signaaliin, erityisesti silloin, kun peittävyys on alle 50%. Maaperän mukaan korjatut indeksit (SAVI, MSAVI, OSAVI) on suunniteltu minimoimaan tämä vaikutus, mutta maaperän väri, kosteus ja orgaanisen aineksen pitoisuus vaikuttavat silti indeksiarvoihin alkukauden kuvissa. Indeksikynnyksen kalibrointi tietyille maaperätyypeille alueella parantaa tulkinnan tarkkuutta.

2. Pilvisyys

Pilvet estävät auringonsäteilyn pääsyn maahan ja aiheuttavat vaihtelevia varjostuksia, mikä tekee heijastusmittauksista epäluotettavia satelliittien ja droonien passiivisille antureille.

Aktiiviset anturit ovat immuuneja pilvipeitteelle, koska ne tuottavat oman valonsa. Pilvisyys on tärkein yksittäinen tekijä, joka rajoittaa satelliittipohjaisen VI-seurannan hyödyllisyyttä alueilla, joilla on paljon pilviä kasvukauden aikana.

3. Auringon kulma

Matalat aurinkokulmat lisäävät varjojen osuutta kutomuksessa, mikä heikentää keinotekoisesti NIR-heijastusta ja vääristää indeksiarvoja. Miehittämättömien ilma-alusten lennot, jotka suoritetaan klo 10.00 ja 14.00 välillä paikallista aurinkoaikaa, minimoivat varjovaikutukset ja tuottavat yhdenmukaisempaa dataa. Lentoajan yhdenmukaisuus toistuvien tutkimusten välillä on yhtä tärkeää kuin absoluuttinen ajoitus, koska se mahdollistaa mielekkään vertailun eri päivämäärien välillä.

4. Kasvutiheys

Kasvipopulaatio vaikuttaa suoraan latvustuksen sulkeutumiseen ja siten siihen, kuinka nopeasti VI-arvot nousevat istutuksesta latvustuksen sulkeutumiseen. Pelloilla, joilla kasvipopulaatiot ovat pienemmät, latvus sulkeutuu myöhemmin, mikä pidentää aikaa, jonka aikana maaperän tausta häiritsee indeksilukuja. Oramiskuvista saadut populaatiokartat mahdollistavat VI-kynnysarvojen säätämisen paikallisen tiheysvaihtelun mukaan.

5. Kasvuvaihe

Sama VI-arvo tarkoittaa eri asioita eri kasvuvaiheissa. NDVI-arvo 0,5 V6-vaiheessa voi viitata terveeseen ja hyvin kehittyvään latvustoon, kun taas NDVI-arvo 0,5 VT-vaiheessa viittaisi merkittävään stressiin.

VI-arvojen tulkitseminen ilman kasvuvaiheen huomioimista johtaa sadon kunnon virheelliseen luokitteluun. Aikasarja-analyysi, jossa verrataan nykyisiä arvoja odotettuihin kausiluokitukseen, korjaa tämän asettamalla jokaisen lukeman kontekstiin sadon kehityskulun sisällä.

6. Anturin resoluutio

Karkeamman resoluution anturit sekoittavat viljelykasvien, maaperän ja peltojen reunojen spektrisignaalit yhden pikselin sisällä – ongelmaa kutsutaan "sekoitetuiksi pikseleiksi". Sentinel-2:n 10 metrin resoluutiolla yksi pikseli peittää 100 m² maata, joka usein sisältää useita viljelykasvirivejä ja rivien välisiä maa-alueita.

Korkeamman resoluution drone-kuvat (5 cm pikseliä kohden) poistavat sekoitetut pikselit ja tarjoavat paljon puhtaamman latvusspektrisignaalin, mutta lisäävät datamäärää ja käsittelyaikaa.

Maissin seurannassa käytettävien kasvillisuusindeksien rajoitukset

1. Saturaatio tiheissä latvustoissa

NDVI, yleisimmin käytetty indeksi, saturoituu LAI-arvoilla, jotka ovat yli noin 3 m²/m², minkä maissi tyypillisesti saavuttaa V10:een mennessä. Tämän kynnysarvon yläpuolella latvustuksen vihreyden tai biomassan lisäykset aiheuttavat NDVI:ssä merkityksettömiä muutoksia. EVI, GNDVI ja NDRE on suunniteltu ratkaisemaan tämä rajoitus, mutta ne vaativat enemmän spektrikaistoja kuin NDVI, eivätkä ne ole aina saatavilla edullisemmista antureista.

2. Sääriippuvuus

Passiiviset kaukokartoitusjärjestelmät ovat riippuvaisia tasaisesta auringon säteilystä. Pilvisyys, utu ja ilmakehän aerosolit absorboivat ja sirottavat tulevaa auringonsäteilyä ennen kuin se saavuttaa viljelykasvit ja jälleen matkalla takaisin anturille, mikä vääristää heijastusarvoja.

Tiedonkäsittelyn aikana käytetyt ilmakehän korjausalgoritmit vähentävät, mutta eivät poista tätä vaikutusta. Trooppisilla maissintuotantoalueilla, joilla on pitkittyneitä pilvisiä kausia, data-aukot voivat olla niin yleisiä, että ne vaarantavat aikasarjojen seurannan.

3. Sekalaiset pikselit

Alhaisilla spatiaalisilla resoluutioilla pikselit sieppaavat signaaleja sekä viljelykasvien latvustosta että maaperästä, teiltä, kastelulaitteista tai pellonreunoista. Tuloksena oleva sekapikseliheijastus tuottaa indeksiarvoja, jotka eivät edusta pelkästään latvustoa. Pellon rajojen peittäminen ja korkeimman mahdollisen spatiaalisen resoluution anturin käyttö ovat vakiokäytäntöjä tämän virheen minimoimiseksi.

4. Kalibrointivaatimukset

Tarkkojen ja toistettavien indeksiarvojen tuottaminen edellyttää anturin radiometristä kalibrointia, ilmakehän vaikutusten korjaamista ja muuttuvan valaistuksen normalisointia drone-lentojen aikana. Näiden vaiheiden ohittaminen tuottaa suhteellisia VI-karttoja, joita ei voida vertailla päivämäärien tai kenttien välillä, mikä rajoittaa niiden käyttökelpoisuutta aikasarjaseurannassa ja usean kentän vertailuanalyyseissä.

5. Tarve totuudenmukaiselle validoinnille

Kasvillisuusindeksit ovat epäsuoria mittauksia. Ne arvioivat viljelykasvien ominaisuuksia – klorofylliä, typpeä ja biomassaa – korreloimalla spektrikuvioita biologisiin muuttujiin sen sijaan, että mittaisivat niitä suoraan.

Jokainen viskositeetti-indikaattoriin (VI) perustuva satoarviointi hyötyy maanpinnan totuusvahvistuksesta: lehtien typen fyysisistä mittauksista, klorofyllimittarin lukemista tai tuhoavan biomassan näytteistä, jotka on otettu edustavasta osajoukosta lohkon eri puolilta. Maanpinnan totuusdata ankkuroi kaukokartoitustulkinnan ja estää virheelliset diagnoosit.

Parhaat käytännöt kasvillisuusindeksien käyttöön maissipelloilla

1. Oikean indeksin valitseminen

Indeksin valinnan tulisi noudattaa seurannan tavoitetta ja käytettävissä olevaa anturia. Typen arviointiin valitse NDRE tai CI Red Edge, jos punainen reunavyöhyke on käytettävissä. Varhaisen kasvukauden puustoarviointiin käytä SAVI- tai MSAVI-järjestelmää.

Käytä EVI:tä tai NDVI:tä yhdessä GNDVI:n tai NDRE:n kanssa huippukauden aikana latvuston seurantaan ja satoennusteisiin. Vältä NDVI:n käyttöä yksinään alkukaudesta tai korkealla latvustotiheydellä – sen rajoitukset molemmissa tilanteissa ovat hyvin tiedossa.

2. Oikean kasvuvaiheen valitseminen

Tiedonkeruun ajoittaminen agronomisiin päätöksentekopisteisiin maksimoi VI-tietojen hallinnollisen arvon. Käytännön seurantaohjelma maissille sisältäisi:

1. V2–V4 (taimenemisen tarkistus): Käytä SAVI:a tai MSAVI:a puuston tasaisuuden arviointiin ja uudelleenistutusalueiden tunnistamiseen.
2. V6 (typpimäärän määritys sivuruiskutuksella): Käytä NDRE:tä tai CI Red Edgeä typpitilanteen kartoittamiseen ja muuttuvan annosmäärän luomiseen.
3. V10–V12 (latvuston sulkeutuminen): Käytä NDVI:tä ja EVI:tä biomassan arviointiin ja heikosti suoriutuvien hoitoalueiden merkitsemiseen.
4. VT (tupsukasvusto): Käytä NDVI:tä ja GNDVI:tä arvioidaksesi latvustuksen huippua ja tunnistaaksesi alueet, joilla on stressiriski pölytyksen aikana.
5. R3 (maitovaihe): Käytä NDVI:tä ja NDWI:tä vesistressin havaitsemiseen ja jyvien täyttymisen edistymisen arviointiin.
6. R6 (kypsyys): Käytä indeksitietoja korreloidaksesi kausittaisen VI-kehityksen sadon kanssa mallin kalibrointia varten.

3. Useiden indeksien yhdistäminen

Mikään yksittäinen indeksi ei kata maissisadon tilan täyttä monimutkaisuutta. Kahden tai useamman eri biologisiin signaaleihin kohdistuvan indeksin yhdistäminen tuottaa rikkaampia diagnostisia karttoja. Typen tilan NDRE:n, kokonaisbiomassan NDVI:n ja vesipitoisuuden NDWI:n yhdistelmä kattaa kolme yleisintä maissintuotannon rajoittavaa tekijää. Usean indeksin fuusio koneoppimismalleissa tarjoaa mitattavasti paremman sadon ennustustarkkuuden kuin mikään yhden indeksin lähestymistapa.

4. Maanpinnan havaintojen integrointi

VI-karttoja tulisi aina tulkita yhdessä kenttähavaintojen kanssa. Kun VI-poikkeama ilmestyy droonikarttaan, fyysinen kenttäkäynti kyseisessä paikassa vahvistaa, heijastaako spektrisignaali todellista viljelyongelmaa – typen puutetta, tiivistymistä, veden kertymistä, tuholaisten aiheuttamia vaurioita – vai anturikohinan, varjon tai maaperän vaihtelun aiheuttamaa artefaktia. Maanpinnan havainnot tarjoavat myös koulutusdataa, jota tarvitaan paikallisten VI-kynnysarvojen kalibrointiin tietyille hybrideille, maaperälle ja hallintajärjestelmille.

5. Aikasarja-analyysin käyttö

Yksittäinen VI-kuva on tilannekuva. Aikasarja kuvista, jotka kattavat kasvun ja kehityksen, on tarina. Indeksiarvojen piirtäminen ajan kuluessa paljastaa kasvukäyriä, jotka tunnistavat stressitapahtumat niiden päivämäärän, vakavuuden ja keston perusteella. Aikasarjadata mahdollistaa myös vertailun nykyisen kauden ja historiallisten vertailuarvojen välillä, mikä tarjoaa kontekstia, jota yhden päivämäärän kuvat eivät pysty tarjoamaan.

Maissin kasvun seurannan tulevaisuuden trendit

1. Tekoäly

Tekoälyalgoritmeja sovelletaan yhä enemmän kasvillisuusindeksidataan sellaisten tulkintatehtävien automatisoimiseksi, jotka tällä hetkellä vaativat agronomin harkintaa. Suurilla VI-aineistoilla koulutetut syväoppimismallit voivat luokitella stressin tyypin, vakavuuden ja spatiaalisen laajuuden monispektrikuvista sekunneissa ja merkitä toimenpiteitä vaativat alueet agronomin tarkastelua varten sen sijaan, että jokainen kuva tarvitsisi analysoida kokonaan manuaalisesti.

Maatalousmarkkinoiden tekoälyn arvoksi arvioitiin 2,1 miljardia Yhdysvaltain dollaria vuonna 2023, ja sen ennustetaan kasvavan yli 241 miljardin Yhdysvaltain dollarin vuotuisella kasvuvauhdilla vuoteen 2032 mennessä (GMI, 2025), mikä heijastaa sitä, kuinka nopeasti tätä ominaisuutta kaupallistetaan.

2. Koneoppimismallit

Moni-indeksisiin ja -aikaisiin tietojoukkoihin sovellettuna Random Forest-, XGBoost- ja konvoluutioneuroverkkoihin (CNN) verrattuna perinteiset regressiopohjaiset VI-tuottomallit ovat jatkuvasti parempia.

Maissin sadon ennustamiseen tarkoitettua GBM:ää (Gradient Boosting Machines) käyttävä tutkimus saavutettu R²-arvot 0,78 integroitaessa VI-aikasarjoja meteorologisiin tietoihin, yksinkertaisemmat regressiomenetelmät toimivat paremmin.

Nämä mallit oppivat monimutkaisia, epälineaarisia suhteita spektrikuvioiden ja agronomisten tulosten välillä, joita lineaariset mallit eivät pysty tallentamaan.

3. Hyperspektrikuvantaminen

Hyperspektrianturit tallentavat heijastusdataa samanaikaisesti sadoilla kapeilla spektrialueilla, verrattuna tyypillisten monispektrikameroiden viidestä kymmeneen kaistaa. Tämä spektritiheys mahdollistaa satojen stressisignaalien havaitsemisen kapeilla spektri-ikkunoilla, jotka eivät ole näkyvissä laajakaista-antureille.

Maissin tautien havaitsemiseen, raskasmetallistressiin ja mikroravinteiden puutokseen käytettäviä hyperspektri-indeksejä validoidaan aktiivisesti, ja kaupallisten miehittämättömien ilma-alusten hyperspektrijärjestelmien edullisimmaksi tulevat yhä enemmän.

4. Reaaliaikainen sadon seuranta

Anturien pienentämisen, satelliittikonstellaatioiden laajentamisen ja 5G-yhteyksien yhdistelmä edistää reaaliaikaista sadon kunnon seurantaa – jossa VI-tiedot ovat saatavilla jatkuvasti kasvukauden aikana viikoittaisen tai kahden viikon välein saatavilla olevan sijaan.

Planet Labsin päivittäinen satelliittien uudelleenkäyntitiheys ja IoT-pohjaisten kenttäsensoreiden käyttöönotto, jotka suoratoistavat dataa pilvialustoille, tarjoavat jo lähes reaaliaikaisen seurantakyvyn varhaisille käyttöönottajille.

DJI:n drone-pohjaiset kaukokartoitusjärjestelmät ovat raportoineet 67,78% vähennys kemikaalien syöttömäärissä kun VI-datasta johdetut reseptikartat syöttävät muuttuvan ruiskutusmäärän omaavia ruiskutusjärjestelmiä (Mordor Intelligence, 2026).

5. Integrointi tarkkuusviljelyjärjestelmiin

Seuraava askel maissin havaijuuden seurannassa on saumaton integrointi tiedonkeruun, käsittelyn, tulkinnan ja peltotoimenpiteiden välillä. Pilvipohjaiset tilanpitoalustat yhdistävät jo satelliitti- ja droonikuvien putkistot suoraan muuttuvan ruiskutusmäärän säätöohjelmistoon, mikä lyhentää tiedonkeruusta peltotoimenpiteisiin kuluvaa aikaa päivistä tunteihin.

Kun kuvantuottajien, agronomisten ohjelmistojen ja maatalouskoneiden väliset API-rajapinnat standardoituvat, työnkulku "drone-lennosta" "muuttuvan määrän ruiskutukseen" tulee tuottajien saataville kaikissa mittakaavoissa.

Usein kysytyt kysymykset

Mikä kasvillisuusindeksi on paras maissille?
Mikään yksittäinen indeksi ei ole universaalisti paras. NDRE suoriutuu parhaiten typen arvioinnissa, SAVI varhaisen vaiheen seurannassa, EVI tiheän latvuston olosuhteissa ja NDVI yleisessä biomassan ja sadon korrelaatiossa. Kahden tai kolmen seurantatavoitteeseen räätälöidyn indeksin yhdistäminen tuottaa johdonmukaisesti parhaan tuloksen kuin mikä tahansa yksittäinen indeksi.

Kuinka usein kasvillisuusindeksejä tulisi seurata?
Koko viljelykauden maissin viljelyssä suositellaan 7–14 päivän seurantaväliä V4–R3-kaudella. Kriittiset päätösjaksot (V6 typelle, VT stressin arvioinnille, R3 kasteluun) oikeuttavat lentojen tai satelliittitietojen haun riippumatta vakioseuranta-aikataulusta.

Mikä kasvillisuusindeksi toimii parhaiten maissin kasvun alkuvaiheessa?
SAVI ja MSAVI toimivat parhaiten taimettumisajasta V4:ään asti, koska ne vähentävät paljaan maaperän vaikutusta indeksiarvoon ja tuottavat merkityksellisiä latvustomittauksia, vaikka maanpeite olisi alle 30%.

Voivatko kasvillisuusindeksit havaita taudin ennen oireiden ilmenemistä?
Tutkimukset osoittavat, että lehtien sairaudet muuttavat tartunnan saaneiden lehtien spektraalista piirrettä ennen näkyvien vaurioiden ilmaantumista. Punareunaan perustuvat indeksit ovat herkimpiä taudin varhaisessa havaitsemisessa, koska ne reagoivat klorofyllin hajoamiseen tartunnan saaneessa kudoksessa. Havaitsemisen läpimenoaika riippuu taudin tyypistä ja vakavuudesta, mutta kontrolloiduissa tutkimuksissa on osoitettu, että sairaudet havaitaan varhain 5–10 päivää ennen visuaalisia oireita.

Johtopäätös

Maissin kasvun seurannassa käytettävät kasvillisuusindeksit ovat siirtyneet paljon tutkimusuteliaisuudesta kauas. Ne ovat nyt käytännöllisiä, kentällä testattuja työkaluja, jotka antavat viljelijöille ja agronomeille mahdollisuuden nähdä sadon stressi, typen puutos ja satoa rajoittavat olosuhteet viikkoja ennen kuin nämä ongelmat tulevat näkyviin – ja ennen kuin ne aiheuttavat peruuttamattomia sadonmenetyksiä. Oikean indeksin valitseminen kullekin kasvuvaiheelle ei ole pieni tekninen yksityiskohta; se on ero todellisen ongelman havaitsemisen ja harhaanjohtavan tiedon tuottamisen välillä. Useiden indeksien – NDRE typelle, EVI tiheälle latvustolle, NDWI veden tilalle – yhdistäminen antaa diagnostisen kuvan, jota mikään yksittäinen mittaus ei voi tarjota. Spektrikuvan integrointi fyysisiin kenttähavaintoihin maadoittaa tiedot agronomiseen todellisuuteen ja estää väärintulkinnan, joka johtuu pelkästään kaukokartoitukseen luottamisesta.