Kako vegetacijski indeksi poboljšavaju praćenje rasta kukuruza

Kukuruz je najproizvedenija žitarica na svijetu po količini, a samo Sjedinjene Države ga sade diljem otprilike 35 milijuna hektara i proizvodi 390 milijuna metričkih tona u 2023.. Upravljanje usjevom u toj mjeri zahtijeva više od izviđanja pješice. Vegetacijski indeksi za praćenje rasta kukuruza - matematičke formule izvedene iz načina na koji krošnje biljaka reflektiraju i apsorbiraju svjetlost - postali su temelj modernog upravljanja usjevima jer pretvaraju spektralne podatke u korisne informacije o zdravlju usjeva. To čine brzo, u velikom opsegu i bez dodirivanja ijednog lista.

Tehnologija daljinskog istraživanja, sada dostupna putem satelita, dronova i ručnih senzora, unosi spektralne podatke u stvarnom vremenu u ove indekse u svakoj fazi vegetacijske sezone kukuruza. Poljoprivrednik ili agronom može otkriti stres dušikom u V6 prije nego što lišće požuti, uočiti nedostatak vode tijekom nalijevanja zrna prije nego što prinosi padnu ili kalibrirati primjenu gnojiva s promjenjivom stopom pomoću karata krošnji generiranih istog tjedna kada je usjevu potrebno hraniti.

Što su vegetacijski indeksi? Kako funkcioniraju?

Vegetacijski indeks (VI) je bezdimenzijska, kvantitativna vrijednost izračunata matematičkim kombiniranjem vrijednosti refleksije dvaju ili više spektralnih pojaseva koje je uhvatio senzor. Rezultat je jedan broj koji izolira i pojačava specifične biološke karakteristike biljnog krošnje - poput koncentracije klorofila, površine lista ili sadržaja vode - a istovremeno potiskuje smetnje iz tla, atmosfere i sjene.

Snaga vegetacijskog indeksa leži u njegovoj sposobnosti standardizacije mjerenja na različitim senzorima, poljima i datumima. Umjesto usporedbe sirovih brojeva refleksije koji se mijenjaju s uvjetima osvjetljenja, VI pruža omjer ili razliku koja je stabilnija i biološki značajnija. To omogućuje usporedbu zdravlja krošnji na različitim poljima, godišnjim dobima, pa čak i satelitskim platformama.

Biljke apsorbiraju određene valne duljine svjetlosti za fotosintezu, a reflektiraju druge. Zdrava zelena vegetacija apsorbira većinu crvene svjetlosti (oko 660–680 nm) za fotosintezu potaknutu klorofilom i snažno reflektira svjetlost bliskog infracrvenog (NIR) zračenja zbog svoje stanične strukture.

Napeta ili rijetka krošnja apsorbira manje crvene, a više reflektira, te reflektira manje NIR-a. Vegetacijski indeksi matematički bilježe taj kontrast kako bi kvantificirali koliko je krošnja zelena, gusta i zdrava u danom trenutku.

Spektralni pojasevi korišteni u vegetacijskim indeksima

Različiti spektralni pojasevi doprinose različitim dijagnostičkim informacijama o usjevu. Svaki pojas cilja drugačiji biološki proces, zbog čega višepojasni senzori pružaju bogatije podatke od jednostavnih RGB kamera. Šest pojaseva najrelevantnijih za praćenje kukuruza su:

• Crvena (620–700 nm): Snažno apsorbiran klorofilom. Pad apsorpcije crvene boje signalizira smanjenu fotosintetsku aktivnost, što ukazuje na stres, nedostatak hranjivih tvari ili rano starenje krošnje.
• Zelena (520–560 nm): Biljke reflektiraju zelenu svjetlost više nego crvenu, zbog čega izgledaju zeleno. Zelena refleksija korelira s koncentracijom klorofila i koristi se u indeksima poput GNDVI i VARI.
• Plava (450–490 nm): Apsorbiraju ga karotenoidi i klorofil. Uglavnom se koristi u RGB-baziranim indeksima kao što je VARI gdje su dostupne samo vidljive vrpce.
• Blisko infracrveno zračenje (NIR, 750–900 nm): Snažno se reflektira od spužvastog mezofilnog tkiva unutar zdravih listova. NIR refleksija je osnova NDVI, EVI i većine širokopojasnih indeksa. Gusta, zdrava krošnja kukuruza pokazuje visoku NIR refleksiju.
• Crveni rub (700–740 nm): Prijelazna zona između crvene apsorpcije i NIR refleksije. Koncentracija klorofila i status dušika imaju snažan utjecaj na ovaj pojas, što ga čini vrlo osjetljivim za otkrivanje stresa hranjivih tvari u ranoj fazi prije nego što postane vizualno vidljiv.
• Kratkovalno infracrveno zračenje (SWIR, 1400–2500 nm): Apsorbira ih tekuća voda unutar biljnog tkiva. SWIR indeksi mjere sadržaj vode u krošnji i otkrivaju stres suše, što ih čini vrijednima tijekom nalijevanja zrna kada nedostatak vode izravno utječe na prinos.

Zašto su vegetacijski indeksi važni za praćenje rasta kukuruza

1. Praćenje zdravlja usjeva

Zdravlje usjeva obuhvaća više preklapajućih čimbenika: koncentraciju klorofila, indeks lisne površine (LAI - omjer ukupne lisne površine i površine tla), stanje vode u biljci i temperaturu krošnje. Nijedan pojedinačni terenski posjet ne može istovremeno obuhvatiti sve to na stotinama hektara.

Vegetacijski indeksi sažimaju tu složenost u mjerljive vrijednosti koje se mogu više puta pratiti tijekom vegetacijske sezone kako bi se otkrio pad prije nego što postane gubitak prinosa.

Studija objavljena u Poljoprivreda (2023.) pratili su tri hibrida kukuruza u uvjetima suše i navodnjavanja koristeći NDVI senzore postavljene na bespilotne letjelice. Istraživači su tjedno pratili zdravlje krošnje od nicanja do zrelosti i otkrili da su se vrijednosti NDVI-ja značajno razlikovale između navodnjavanih i parcela napajanih kišom već u V8, tjednima prije pojave vidljivih simptoma stresa. Ovakva rana diferencijacija omogućuje pravovremenu intervenciju.

2. Mjerenje bujnosti biljke

Energija biljke - ukupna stopa rasta i akumulacija biomase usjeva - izravno predviđa potencijal prinosa. Indeksi poput NDVI i EVI snažno su povezani s LAI i suhom biomasom nadzemne zemlje u kukuruzu.

Praćenje bujnosti u ključnim vegetativnim fazama omogućuje agronomima da identificiraju zone slabijeg rasta na polju i prilagode unose u skladu s tim, umjesto primjene jedinstvenih upravljačkih odluka na prostorno varijabilnom zemljištu.

3. Otkrivanje stresa prije vizualnih simptoma

Ovo je možda komercijalno najvrjednija sposobnost vegetacijskih indeksa. Biljka kukuruza koja doživljava nedostatak dušika, stres zbog vode ili rani pritisak bolesti prvo pokazuje promjene u svojoj spektralnoj refleksiji - posebno u crvenom rubu i NIR pojasevima - danima do tjednima prije nego što listovi pokažu žutilo, venuće ili vidljive lezije.

Indeksi temeljeni na crvenom rubu, posebno NDRE i CI Red Edge, posebno su osjetljivi na subvizualni dušikov stres i smanjenje klorofila. Jang i sur. (ScienceDirect, 2024.) otkrili su da kombiniranje NDVI, NDRE i GNDVI indeksi korištenjem višestruke linearne regresije značajno poboljšana učinkovitost predviđanja prinosa kukuruza u usporedbi s bilo kojim pojedinačnim indeksom samostalno.

Uzgajivači koji se oslanjaju na jedan indeks propuštaju aditivnu prediktivnu moć koja dolazi iz pristupa s više indeksa, posebno tijekom kritičnih reproduktivnih faza.

4. Poboljšanje predviđanja prinosa

Vegetacijski indeksi prikupljeni u strateškim fazama rasta - posebno oko resa i svilanja - snažni su prediktori konačnog prinosa zrna. Istraživanje objavljeno u Daljinska istraživanja (2023.) spojili su multitemporalne podatke bespilotnih letjelica, uključujući NDVI, NDRE, SAVI i EVI kroz vegetativne i reproduktivne faze, te postigli model predviđanja prinosa kukuruza s R² od 0,78 i rRMSE od 8,27%, nadmašujući modele izgrađene na podacima iz jednog koraka.

Ključni uvid: korištenje više indeksa u više faza rasta obuhvaća mnogo širi raspon čimbenika koji određuju prinos nego jedan snimak mjerenja.

5. Podržavanje precizne poljoprivrede

Precizna poljoprivreda oslanja se na podatke o prostornoj varijabilnosti kako bi propisala ulazne podatke specifične za lokaciju. Karte vegetacijskog indeksa izrađene snimkama dronova ili satelita otkrivaju varijabilnost unutar polja u performansama usjeva koju prosječna mjerenja na polju prikrivaju.

Ove karte izravno se unose u sustave primjene promjenjive doze, omogućujući poljoprivrednicima da primijene više gnojiva tamo gdje je usjevu potrebno, a manje tamo gdje nije, istovremeno smanjujući troškove i utjecaj na okoliš.

Faze rasta kukuruza u kojima su vegetacijski indeksi najkorisniji

“Pravi indeks u pravoj fazi rasta otkriva podatke o usjevima koje opći izviđački radovi jednostavno ne mogu pružiti - a vrijeme prikupljanja podataka jednako je važno kao i odabrani indeks.”

1. Faza pojave

Pri nicanju, biljni pokrov je rijedak, a tlo dominira slikom. Standardni NDVI ovdje slabo funkcionira jer pozadinska buka tla nadjačava slab signal krošnje. Indeksi prilagođeni tlu poput SAVI i MSAVI su prikladni alati tijekom ove faze.

Primjenjuju korekcijski faktor kako bi smanjili utjecaj izloženog tla na vrijednost indeksa, omogućujući smislena mjerenja gustoće biljaka i ujednačenosti ranog uspostave.

2. Vegetativni rast (V. faza)

Od V3 do V12, krošnja kukuruza se brzo širi. Ovo je najvažniji prozor za upravljanje dušikom, jer se potreba usjeva za dušikom naglo povećava.

NDRE i CI Green su najosjetljiviji indeksi tijekom ovog razdoblja jer crveni rubni pojas detektira suptilna smanjenja klorofila prije nego što se NDVI-jev signal promijeni u širem smislu. Letovi bespilotnih letova na V6 i V10 tempirani s odlukama o dušiku s bočnog efekta daju najveći povrat ulaganja u podatke.

3. Resa i svilanje

Resanje (VT) i svilanje (R1) su faze najosjetljivije na prinos u cijelom životnom ciklusu kukuruza. Zatvaranje krošnje je u ovoj fazi gotovo završeno, što znači da NDVI i EVI sada mogu očitavati cijelu krošnju bez ometanja tla.

Oba indeksa dostižu vrhunac oko VT u zdravim usjevima. Svaki plato ili rani pad vrijednosti indeksa u ovoj fazi pouzdan je pokazatelj stresa koji će dovesti do pobačaja zrna i gubitka prinosa.

4. Nadjev od žitarica

Tijekom nalijevanja zrna (R3–R5), primarna briga upravljanja prebacuje se na vodni stres i bolesti. NDWI (Normalizirani diferencijalni indeks vode, izračunat iz NIR i SWIR pojaseva) i toplinski indeksi nadopunjuju standardni paket tijekom ove faze otkrivanjem smanjenja sadržaja vode u krošnji koje prethodi vidljivom venuću.

Vrijednosti NDVI-ja počinju prirodno opadati kako usjev sazrijeva, stoga tumačenje trajektorija indeksa zahtijeva usporedbu s očekivanim sezonskim obrascem za hibrid koji se uzgaja.

5. Zrelost

U fiziološkoj zrelosti (R6), svi glavni vegetacijski indeksi opadaju kako krošnja stari, a klorofil degradira. Podaci indeksa u zrelosti prvenstveno se koriste za retrospektivnu analizu - korelaciju sezonskih trajektorija VI sa stvarnim podacima o prinosu žetve kako bi se validirali modeli predviđanja i poboljšali budući sezonski kriteriji. Analiza vremenskih serija indeksnih krivulja od nicanja do zrelosti pruža najbogatiju podatkovnu osnovu za izgradnju modela prinosa specifičnih za polje.

Uobičajeni vegetacijski indeksi korišteni za praćenje rasta kukuruza

1. NDVI (Normalizirani indeks razlike vegetacije)

NDVI je najčešće korišteni vegetacijski indeks u poljoprivredi. Mjeri kontrast između NIR-a i crvene refleksije i izračunava se kao:

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

Vrijednosti NDVI kreću se od -1 do +1. Zdrave, guste krošnje kukuruza obično postižu rezultat između 0,7 i 0,9 na vrhuncu zelenosti. Njegove najbolje primjene uključuju praćenje razvoja krošnje od V6 do stvaranja resa, identificiranje zona polja s lošijim učinkom i korelaciju s LAI i nadzemnom biomasom.

Ključno ograničenje NDVI-ja je zasićenost u gustim krošnjama - nakon što LAI prijeđe otprilike 3 m²/m², dodatna površina lišća uzrokuje smanjenje promjena u NDVI signalu, smanjujući osjetljivost na vrhuncu krošnje.

Studija objavljena 2024. godine Poljoprivreda (MDPI), koristeći praćenje NDVI-ja temeljeno na bespilotnim letovima tijekom dvije vegetacijske sezone u Mađarskoj, otkrio je da Najjača korelacija između NDVI-ja i prinosa zabilježena je u fazi nakon svilanja. (R = 0,638 u 2023. i R = 0,634 u 2024.), što potvrđuje pouzdanost NDVI-ja kao pokazatelja prinosa tijekom sezone u tom specifičnom razdoblju rasta.

2. GNDVI (Zeleni NDVI)

GNDVI zamjenjuje crvenu traku zelenom trakom: GNDVI = (NIR − zelena) / (NIR + zelena). Zeleni kanal je osjetljiviji na koncentraciju klorofila od crvenog kanala, što GNDVI čini boljim u otkrivanju umjerenih varijacija klorofila u zrelim, gustim krošnjama gdje je NDVI zasićen.

Njegova primarna primjena u kukuruzu je procjena statusa dušika tijekom srednje vegetativne i reproduktivne faze. Istraživanje objavljeno u ScienceDirect (2024.) potvrdili su da GNDVI, u kombinaciji s NDRE u modelima višeindeksne regresije, znatno poboljšava točnost predviđanja prinosa kukuruza, posebno u fazama prije cvjetanja.

3. EVI (Indeks poboljšane vegetacije)

EVI poboljšava NDVI uključivanjem plavog pojasa i primjenom koeficijenata atmosferske korekcije: EVI = 2,5 × [(NIR − crvena) / (NIR + 6 × crvena − 7,5 × plava + 1)]. Ova formula istovremeno smanjuje atmosfersku buku i interferenciju pozadine tla, čineći EVI osjetljivijim od NDVI-ja u uvjetima gustog krošnje gdje je NDVI zasićen.

EVI je preferirani indeks za praćenje strukture krošnje kukuruza od stvaranja resa do ranog popunjavanja zrna kada je biljni pokrov gotovo u potpunosti završen. To je ključni indeks u MODIS satelitskim proizvodima i široko se koristi za praćenje kukuruza na regionalnoj razini.

Studija u Poljoprivreda (2024.) koristeći podatke MODIS MOD09A1 nad provincijom Jilin u Kini, otkrili su da Kombiniranje više vegetacijskih indeksa, uključujući EVI, s modelom oblika značajno je poboljšalo točnost otkrivanja fenoloških stadija tijekom ključnih razdoblja rasta kukuruza u usporedbi s pristupima s jednim indeksom.

Za praćenje usjeva velikih razmjera, spajanje EVI-ja s drugim indeksima u modelima vremenskih serija pruža pouzdanije fenološko praćenje nego bilo koji pojedinačni indeks sam po sebi.

4. SAVI (Indeks vegetacije prilagođen tlu)

SAVI uvodi faktor korekcije svjetline tla (L) u formulu NDVI: SAVI = [(NIR − Crvena) / (NIR + Crvena + L)] × (1 + L), gdje je L = 0,5 za tipične uvjete tla. Smanjivanjem doprinosa refleksije golog tla, SAVI proizvodi točnija mjerenja krošnje u ranim fazama rasta kukuruza kada je pokrovnost tla manja od 50%. To je standardni izbor za praćenje uspostave biljaka, ujednačenosti sastojine i bujnosti u ranoj sezoni od nicanja do V4.

5. NDRE (Normalizirana razlika crvenog ruba)

NDRE koristi crveni rub i NIR pojaseve: NDRE = (NIR − crveni rub) / (NIR + crveni rub). Crveni rubni pojas nalazi se u spektralnom području gdje male promjene u koncentraciji klorofila uzrokuju velike promjene refleksije, što NDRE čini osjetljivijim od NDVI na promjene klorofila uzrokovane dušikom.

Studija objavljena u Senzori (2024.) korištenjem fotogrametrije bespilotnih letjelica u istraživačkoj postaji LSU AgCenter otkrili su da NDRE 87 dana nakon sadnje predvidio je prinos zrna kukuruza s R² od 0,9097., iznimno jak odnos koji naglašava vrijednost NDRE-a za upravljanje dušikom u kasnoj sezoni i predviđanje prinosa.

6. MSAVI (Modificirani indeks vegetacije prilagođen tlu)

MSAVI poboljšava SAVI tako što L faktor čini dinamičnim, a ne fiksnim, pa se automatski prilagođava stupnju vegetacijskog pokrova: MSAVI = [2 × NIR + 1 − √((2 × NIR + 1)² − 8 × (NIR − crveno))] / 2.

Ovo samopodešavanje čini MSAVI točnijim od SAVI-ja u cijelom rasponu razvoja krošnje, od nicanja golog tla do potpunog pokrivanja pri stvaranju resa. Ne zahtijeva pretpostavku o svjetlini tla, što ga čini prenosivijim na različite terenske uvjete i vrste tla.

7. VARI (Indeks vidljive atmosferske otpornosti)

VARI koristi samo vidljive trake (crvena, zelena, plava): VARI = (Zelena − Crvena) / (Zelena + Crvena − Plava). Njegova vrijednost leži u tome što se može izračunati sa standardnih RGB kamera - tipa koje većina komercijalnih dronova ima po niskoj cijeni.

Iako VARI-ju nedostaje osjetljivost multispektralnih indeksa na dušik i biomasu, on pruža upotrebljivu procjenu zelenosti krošnje u prvom prolazu, što ga čini dostupnim poljoprivrednicima koji još nemaju multispektralne senzorske mogućnosti.

Istraživanje objavljeno u ScienceDirect (2025.) potvrdili su da je VARI jedan od korisnih VI ulaza u modelima strojnog učenja za predviđanje prinosa kukuruza u različitim okruženjima uzgoja.

8. OSAVI (Optimizirani indeks vegetacije prilagođen tlu)

OSAVI je pojednostavljena verzija SAVI-ja s fiksnom L vrijednošću od 0,16, optimizirana za uvjete djelomičnog pokrova krošnje: OSAVI = (NIR − crveno) / (NIR + crveno + 0,16).

Ova specifična L vrijednost empirijski je određena kako bi se minimizirali učinci pozadine tla u širokom rasponu gustoće vegetacije. OSAVI dobro funkcionira od V2 do V6, premošćujući jaz između korisnosti SAVI-ja u ranoj sezoni i točnosti NDVI-ja u vrhuncu sezone.

9. CI zelena (zelena indeksa klorofila)

CI Green procjenjuje sadržaj klorofila izravno iz refleksije: CI Zelena = (NIR / Zelena) − 1. Budući da je klorofil primarni pigment za skladištenje dušika u lišću, CI Green prati status dušika u krošnji bez potrebe za crvenim rubnim pojasom.

Zbog toga je vrijedan kada je dostupan samo standardni zeleni pojas, kao što je to slučaj sa snimkama Sentinel-2, te pouzdano funkcionira od V6 do svilenog prikaza za odluke o upravljanju dušikom usred sezone.

10. CI crveni rub (Crveni rub indeksa klorofila)

CI Red Edge zamjenjuje zelenu traku crvenom rubnom trakom: CI crveni rub = (NIR / crveni rub) − 1. Ova zamjena čini ga znatno osjetljivijim na promjene klorofila od CI Greena, posebno u srednjim do kasnim vegetativnim fazama kada je krošnja dovoljno gusta da signal zelenog pojasa počinje biti zasićen. CI Red Edge jedan je od najboljih indeksa za otkrivanje suptilnih gradijenata dušika u zonama upravljanja poljem kod kukuruza.

Usporedba vegetacijskih indeksa za praćenje kukuruza

1. Najbolji indeks za rani rast

SAVI i MSAVI dosljedno nadmašuju NDVI i EVI tijekom ranog razvoja kukuruza (nicanje do V4) jer smanjuju pozadinsku buku tla koja bi inače dominirala signalom indeksa kada je pokrovnost krošnje ispod 40%. OSAVI nudi korisnu međuopciju kada su uvjeti tla promjenjivi na polju.

2. Najbolji indeks za detekciju dušika

NDRE i CI Red Edge su najjači indeksi za otkrivanje nedostatka dušika u kukuruzu. Oba iskorištavaju visoku osjetljivost crvenog rubnog pojasa na koncentraciju klorofila. U fazi V6 do V10 - najkritičnijem prozoru za odluke o primjeni dušika - ovi indeksi otkrivaju nedostatak 7 do 14 dana prije nego što NDVI pokaže bilo kakav mjerljiv odgovor, pružajući značajno vrijeme za korektivne mjere.

3. Najbolji indeks za procjenu biomase

NDVI i EVI su najvalidiraniji indeksi za procjenu suhe biomase nadzemne površine u kukuruzu. Istraživanje korištenjem multispektralnih snimaka bespilotnih letjelica u kombinaciji s teksturnim značajkama u PMC (2023.) otkrili su da indeksi vegetacije temeljeni na crvenim (650 nm), crvenim rubovima (705 nm) i NIR (842 nm) vrpcama pokazuju najveće korelacije s LAI - usko povezanom zamjenskom vrijednosti za akumulaciju biomase tijekom vegetacijskog razdoblja.

4. Najbolji indeks za guste krošnje

EVI je preferirani indeks kada se krošnja kukuruza potpuno zatvori, obično od stvaranja resa do ranog nalijevanja zrna. Tamo gdje NDVI dostigne zasićenost iznad LAI od približno 3, EVI nastavlja reagirati na dodatnu površinu lista i varijacije klorofila jer njegovi atmosferski i tlo korekcijski uvjeti sprječavaju zasićenje signala pri visokim razinama biomase.

5. Najbolji indeks za stres uzrokovan sušom

NDWI (indeks vode temeljen na NIR-u i SWIR-u) i NDVI korišteni zajedno najučinkovitija su kombinacija za otkrivanje stresa suše kod kukuruza. NDWI izravno prati promjene sadržaja vode u tkivu, dok NDVI bilježi sekundarni učinak stresa vode na zelenilo krošnje. Multispektralni senzori koji uključuju SWIR mogućnost ovdje dodaju najveću vrijednost, iako su ovi senzori i dalje skuplji od standardnih multispektralnih sustava s pet pojaseva.

Primjena vegetacijskih indeksa u proizvodnji kukuruza

Vegetacijski indeks je koristan samo onoliko koliko je koristan donošenje odluke - cilj je uvijek pretvoriti spektralne podatke u akciju na terenu koja poboljšava prinos, smanjuje troškove ili oboje.

1. Procjena biomase

Vrijednosti NDVI i EVI snažno koreliraju sa suhom biomasom iznad zemlje tijekom vegetacijskog razdoblja kukuruza. Ponovljeni letovi bespilotnih letova ili prelijetanja satelita u dvotjednim intervalima generiraju krivulje akumulacije biomase koje otkrivaju ide li polje prema svom potencijalu prinosa ili zaostaje za očekivanom putanjom rasta za određenu sezonu.

2. Mjerenje klorofila

CI Green i CI Red Edge pružaju nedestruktivne procjene klorofila na razini krošnje koje prate fotosintetski kapacitet usjeva. Istraživanje objavljeno u PMC (2024.) korištenjem procjene SPAD-a (očitavanje klorofilnog mjerača) temeljene na bespilotnoj letjelici kod kukuruza potvrdili su da je modificirani indeks omjera crvenog ruba postigao R² od 0,87 za predviđanje sadržaja klorofila u listu u srednjoj fazi rasta, pokazujući praktičnu točnost koju pružaju indeksi crvenog ruba za ovu primjenu.

3. Procjena statusa dušika

Dušik je hranjiva tvar koja najizravnije ograničava prinos kukuruza, a njegov status varira tijekom sezone kako se mijenjaju potrebe usjeva. Studija iz 2025. objavljena u Granice u biljnoj znanosti integrirao je satelitske snimke Sentinel-2A, multispektralne podatke bespilotnih letjelica i promatranja s tla u četiri faze rasta kukuruza 2024. godine te razvio novi model inverzije sadržaja dušika na regionalnoj razini koristeći višestruke vegetacijske indekse u kombinaciji s korekcijom pojaseva.

Okvir je postigao visoku točnost validacije na 48 neovisnih točaka uzorkovanja, pokazujući kako fuzija satelita i bespilotnih letjelica proširuje skalabilnost upravljanja dušikom temeljenog na VI izvan pojedinačnih polja na poljoprivredne i regionalne razmjere.

4. Detekcija vodnog stresa

Vodni stres kod kukuruza prvo smanjuje stomatalnu vodljivost, zatim sadržaj vode u listu i konačno zelenu biomasu - tri procesa koja redom utječu na različite spektralne pojaseve. Vodni stres u ranoj fazi pokazuje se u podacima o toplinskim pojasevima i indeksima temeljenim na SWIR-u prije nego što NDVI opadne.

Praćenje kombinacije NDWI i NDVI tijekom razdoblja nalijevanja zrna - kada vodni stres ima najveći utjecaj na prinos - omogućuje da se raspored navodnjavanja temelji na stvarnoj potražnji usjeva, a ne na pravilima temeljenim na kalendaru.

5. Praćenje bolesti

Gljivične bolesti poput sjeverne paleži lišća kukuruza i sive pjegavosti lišća mijenjaju spektralni potpis zaraženog lišća prije nego što velike lezije postanu vidljive ljudskom oku. Zaraženo tkivo pokazuje karakterističan pad reflektancije u bliskom infracrvenom području i pomak u položaju crvenog ruba.

Viševremensko praćenje VI-a omogućuje otkrivanje lokaliziranih spektralnih anomalija koje ukazuju na pritisak novih bolesti, što omogućuje ciljanu primjenu fungicida umjesto prskanja na cijelom polju.

6. Otkrivanje štete od štetočina

Defolijacija uzrokovana hranjenjem štetočinama smanjuje LAI, što izravno smanjuje vrijednosti NDVI i EVI u zahvaćenim područjima. Na primjer, infestacije gusjenicama stvaraju karakteristične prostorne obrasce pada indeksa koji se mogu uočiti snimkama dronom prije nego što se infestacija proširi na susjedne dijelove polja.

Letovi bespilotnih letova visoke rezolucije (udaljenost uzorkovanja s tla ispod 5 cm) pružaju prostorne detalje potrebne za razlikovanje oštećenja od insekata od drugih uzroka varijacija krošnje.

7. Procjena prinosa

Vrijednosti vegetacijskog indeksa izmjerene u specifičnim kritičnim fazama rasta - posebno V12, VT i R3 - pouzdani su prediktori konačnog prinosa zrna kada se kombiniraju s povijesnim kartama prinosa i vremenskim podacima. Pristupi fuzije više indeksa dosljedno nadmašuju modele s jednim indeksom.

Kombinacija GNDVI, NDRE i SCCCI (pojednostavljeni indeks sadržaja klorofila u krošnji) oko razdoblja prije cvjetanja pokazala je posebno jaku točnost predviđanja prinosa u objavljenim istraživanjima kukuruza od ScienceDirect (2026).

Istraživanje provedeno tijekom dvije vegetacijske sezone u Mađarskoj pokazalo je koeficijente korelacije od 0,638 i 0,634 između NDVI-ja nakon svilanja i konačnog prinosa zrna. Višeindeksni modeli, uključujući NDRE i GNDVI, dodatno povećavaju točnost predviđanja.

8. Primjena gnojiva varijabilnom stopom

Karte krošnji temeljene na VI generirane letovima dronova koriste se izravno za izradu propisanih karata za aplikatore dušika s promjenjivom brzinom. Polja su podijeljena u zone upravljanja na temelju vrijednosti indeksa, a svaka zona prima dozu dušika kalibriranu prema specifičnim potrebama usjeva.

Daljinsko istraživanje i tehnologija promjenjive brzine zajedno su uzete u obzir 58% tržišnog udjela tehnologije precizne poljoprivrede u 2025. godini (Precedence Research, 2026.), što odražava koliko je ovaj tijek rada postao ključan za komercijalnu proizvodnju kukuruza.

Studija iz 2025. godine Poljoprivreda (MDPI) je utvrdio da umjerene doze dušika 120–180 kg ha⁻¹ osigurala je optimalnu razinu hranjivih tvari za kukuruz, povećavajući prinos do 5,086 t ha⁻¹ u usporedbi s negnojenim kontrolama, pri čemu se praćenje temeljeno na NDVI-ju pokazalo učinkovitim ne samo za optimizaciju prinosa već i posebno za vođenje strategija gnojidbe specifičnih za lokaciju.

Upravljanje dušikom temeljeno na NDVI-ju u fazi nakon svilanja (kada korelacija VI-ja i prinosa dostiže vrhunac) može zamijeniti tradicionalne pristupe gnojidbe koji se temelje samo na ispitivanju tla i značajno poboljšati učinkovitost unosa i prinos zrna.

Platforme korištene za prikupljanje podataka o vegetacijskom indeksu

1. Satelitske snimke

Sateliti poput Sentinel-2 (rezolucija 10 m, ponovni posjet svakih 5 dana) i Planet Labs satelita (rezolucija 3 m, dnevni ponovni posjet) pružaju konzistentne, vremenski pogodne spektralne podatke na velikim područjima uz nisku cijenu po hektaru.

Uključivanje crvenih rubnih pojaseva (B5, B6, B7 na 705, 740, 783 nm) u Sentinel-2 čini ga posebno vrijednim za izračune crvenog ruba NDRE i CI u regionalnim programima praćenja kukuruza. Ograničenje je naoblaka: oblačno razdoblje tijekom kritičnog prozora rasta može uzrokovati praznine u podacima koje prekidaju vremensko praćenje.

2. Daljinsko istraživanje pomoću dronova

Dronovi s fiksnim krilima i višerotorni dronovi opremljeni multispektralnim kamerama pružaju snimke u mjerilu polja s rezolucijom od 2–10 cm po pikselu. Ova razina detalja razlučuje pojedinačne redove biljaka, omogućujući mjerenje varijacija u zdravlju krošnje unutar reda.

Istraživanja dronovima mogu se zakazati na zahtjev, bez obzira na vrijeme preleta satelita, što ih čini idealnim za prikupljanje podataka na točnim agronomskim točkama odlučivanja kao što su bočna primjena dušika ili vremenski okviri za planiranje navodnjavanja.

3. Multispektralne kamere bespilotnih letjelica

Multispektralne kamere poput MicaSense RedEdge, Parrot Sequoia i DJI Zenmuse P1 snimaju slike u pet ili više uskih spektralnih pojaseva istovremeno, uključujući crvenu, zelenu, plavu, crveni rub i NIR.

Ovi sustavi uključuju kalibriranu reflektirajuću ploču i senzor sunčeve svjetlosti za normalizaciju podataka za različite svjetlosne uvjete tijekom leta, što je bitno za dobivanje točnih, ponovljivih vrijednosti indeksa, a ne relativnih usporedbi.

4. Ručni senzori usjeva

Aktivni optički senzori poput GreenSeekera i CropCirclea emitiraju vlastiti izvor svjetlosti i mjere refleksiju pojedinačnih biljaka iz neposredne blizine, eliminirajući učinak promjenjive sunčeve svjetlosti.

Ovi senzori se koriste za brzu procjenu statusa dušika na terenu na određenim mjestima uzorkovanja. Njihovi podaci nadopunjuju snimke dronova i satelita pružajući mjerenja na terenu koja potvrđuju vrijednosti indeksa daljinskog istraživanja na poznatim lokacijama.

5. Senzori montirani na traktor

Aktivni senzori montirani na traktoru, kao što su John Deere Hagie i Trimble GreenSeeker RT, kontinuirano skeniraju krošnju kukuruza dok se traktor kreće kroz polje i u stvarnom vremenu izravno šalju NDVI podatke u regulatoru promjenjive doze. Ovaj sustav zatvorene petlje omogućuje prilagodbu doze gnojiva u pokretu, na temelju podataka o stanju usjeva, bez zasebnog koraka obrade podataka između očitavanja i primjene.

Čimbenici koji utječu na točnost vegetacijskog indeksa u poljima kukuruza

1. Pozadina tla

Izloženo tlo ima vlastiti spektralni potpis koji se stapa sa signalom krošnje biljaka, posebno kada je pokrov ispod 50%. Indeksi prilagođeni tlu (SAVI, MSAVI, OSAVI) osmišljeni su kako bi se taj učinak sveo na minimum, ali boja tla, vlaga i sadržaj organske tvari i dalje utječu na vrijednosti indeksa u snimkama rane sezone. Kalibriranje pragova indeksa za određene vrste tla u regiji poboljšava točnost interpretacije.

2. Oblačnost

Oblaci blokiraju sunčevo zračenje i uzrokuju promjenjivo sjenčanje na tlu, što mjerenja refleksije za pasivne senzore na satelitima i dronovima čini nepouzdanima.

Aktivni senzori su imuni na naoblaku jer sami osiguravaju osvjetljenje. Naoblaka je najvažniji čimbenik koji ograničava korisnost satelitskog praćenja VI u regijama s visokom učestalošću naoblake tijekom vegetacijske sezone.

3. Kut sunca

Niski kutovi sunca povećavaju udio sjene unutar krošnje, umjetno smanjujući NIR refleksiju i iskrivljujući vrijednosti indeksa. Letovi bespilotnih letjelica provedeni između 10 i 14 sati po lokalnom solarnom vremenu minimiziraju učinke sjene i daju konzistentnije podatke. Konzistentnost vremena leta tijekom ponovljenih istraživanja jednako je važna kao i apsolutno vrijeme, jer omogućuje smislenu usporedbu između datuma.

4. Gustoća usjeva

Populacija biljaka izravno utječe na zatvaranje krošnje i stoga koliko brzo vrijednosti VI rastu od sadnje do zatvaranja krošnje. Polja s nižom populacijom biljaka kasnije zatvaraju krošnju, što produžuje razdoblje tijekom kojeg pozadina tla ometa očitanja indeksa. Karte populacije dobivene iz snimaka nicanja omogućuju prilagodbu pragova VI za lokalne varijacije gustoće.

5. Faza rasta

Ista vrijednost VI znači različite stvari u različitim fazama rasta. NDVI od 0,5 na V6 može ukazivati na zdravu, dobro razvijenu krošnju, dok bi NDVI od 0,5 na VT signalizirao značajan stres.

Tumačenje vrijednosti VI bez uzimanja u obzir faze rasta dovodi do pogrešne klasifikacije stanja usjeva. Analiza vremenskih serija, koja uspoređuje trenutne vrijednosti s očekivanim sezonskim krivuljama, ispravlja to kontekstualiziranjem svakog očitanja unutar razvojne putanje usjeva.

6. Rezolucija senzora

Senzori gruble rezolucije miješaju spektralne signale usjeva, tla i rubova polja unutar jednog piksela - problem koji se naziva "miješani pikseli". Pri rezoluciji Sentinela-2 od 10 m, jedan piksel pokriva 100 m² tla, što često uključuje više redova usjeva i tlo između redova.

Snimke dronom veće rezolucije (5 cm po pikselu) eliminiraju miješane piksele i pružaju puno čišći spektralni signal krošnje, ali uz povećanu količinu podataka i vrijeme obrade.

Ograničenja vegetacijskih indeksa za praćenje kukuruza

1. Zasićenost u gustim krošnjama

NDVI, najčešće korišteni indeks, zasićuje se pri vrijednostima LAI iznad približno 3 m²/m², što kukuruz obično doseže do V10. Iznad ovog praga, dodatna povećanja zelenila krošnje ili biomase proizvode zanemarive promjene u NDVI-ju. EVI, GNDVI i NDRE osmišljeni su kako bi se riješilo ovo ograničenje, ali zahtijevaju više spektralnih pojaseva od NDVI-ja i nisu uvijek dostupni kod jeftinijih senzora.

2. Ovisnost o vremenskim uvjetima

Pasivni sustavi daljinskog istraživanja ovise o konzistentnoj sunčevoj rasvjeti. Oblaci, magla i atmosferski aerosoli apsorbiraju i raspršuju dolazno sunčevo zračenje prije nego što dođe do usjeva i ponovno na putu natrag do senzora, iskrivljujući vrijednosti refleksije.

Algoritmi za korekciju atmosfere primijenjeni tijekom obrade podataka smanjuju, ali ne uklanjaju taj učinak. U tropskim regijama proizvodnje kukuruza s produženim oblačnim sezonama, praznine u podacima mogu biti dovoljno česte da ugroze praćenje vremenskih serija.

3. Mješoviti pikseli

Pri niskim prostornim rezolucijama, pikseli hvataju signale i iz krošnje usjeva i iz tla, cesta, opreme za navodnjavanje ili rubova polja. Rezultirajuća reflektancija miješanih piksela stvara indeksne vrijednosti koje ne predstavljaju samo krošnju. Maskiranje granica polja i korištenje senzora s najvećom izvedivom prostornom rezolucijom standardne su prakse za minimiziranje ove pogreške.

4. Zahtjevi za kalibraciju

Za dobivanje točnih, reproducibilnih vrijednosti indeksa potrebna je radiometrijska kalibracija senzora, korekcija atmosferskih utjecaja i normalizacija promjenjivog osvjetljenja tijekom letova dronova. Preskakanje ovih koraka stvara relativne VI karte koje se ne mogu uspoređivati između datuma ili između polja, što ograničava njihovu korisnost za praćenje vremenskih serija i usporedbu više polja.

5. Potreba za potvrdom temeljne istine

Vegetacijski indeksi su indirektna mjerenja. Oni procjenjuju svojstva usjeva - klorofil, dušik, biomasu - korelacijom spektralnih obrazaca s biološkim varijablama, umjesto da ih izravno mjere.

Svaka procjena usjeva temeljena na VI ima koristi od validacije podataka s terena: fizička mjerenja dušika u listovima, očitanja mjerača klorofila ili uzorci destruktivne biomase uzeti na reprezentativnom podskupu lokacija diljem polja. Podaci s terena učvršćuju interpretaciju daljinskog istraživanja i sprječavaju pogrešnu dijagnozu.

Najbolje prakse za korištenje vegetacijskih indeksa u poljima kukuruza

1. Odabir pravog indeksa

Odabir indeksa trebao bi slijediti cilj praćenja i dostupan senzor. Za procjenu dušika odaberite NDRE ili CI Red Edge ako je dostupan crveni rubni pojas. Za procjenu sastojina u ranoj sezoni koristite SAVI ili MSAVI.

Za praćenje krošnji drveća i predviđanje prinosa u vrhuncu sezone, koristite EVI ili NDVI u kombinaciji s GNDVI ili NDRE. Izbjegavajte korištenje samo NDVI-ja u ranoj sezoni ili pri visokoj gustoći krošnji - njegova ograničenja u oba scenarija su dobro utvrđena.

2. Odabir prave faze rasta

Vremenski raspored prikupljanja podataka do točaka agronomskog odlučivanja maksimizira upravljačku vrijednost podataka o VI. Praktični raspored praćenja kukuruza uključivao bi:

1. V2–V4 (provjera nicanja): Koristite SAVI ili MSAVI za procjenu ujednačenosti sastojine i određivanje zona ponovne sadnje.
2. V6 (odluka o dušiku s bočnim dodavanjem): Koristite NDRE ili CI Red Edge za mapiranje statusa dušika i generiranje recepta za varijabilnu dozu.
3. V10–V12 (zatvaranje krošnje): Koristite NDVI i EVI za procjenu biomase i označavanje zona upravljanja koje ne zadovoljavaju svoje ciljeve.
4. VT (resanje): Koristite NDVI i GNDVI za procjenu vrha krošnje i identifikaciju područja koja su izložena stresu tijekom oprašivanja.
5. R3 (faza mlijeka): Koristite NDVI i NDWI za otkrivanje vodnog stresa i procjenu napretka nalijevanja zrna.
6. R6 (zrelost): Koristite indeksne podatke za korelaciju sezonske putanje VI s prinosom žetve za kalibraciju modela.

3. Kombiniranje više indeksa

Nijedan pojedinačni indeks ne obuhvaća svu složenost stanja usjeva kukuruza. Kombiniranjem dva ili više indeksa koji ciljaju različite biološke signale stvaraju se bogatije dijagnostičke karte. Kombinacija NDRE za status dušika, NDVI za ukupnu biomasu i NDWI za sadržaj vode pokriva tri najčešća ograničavajuća čimbenika u proizvodnji kukuruza. Fuzija više indeksa unutar modela strojnog učenja pruža mjerljivo veću točnost predviđanja prinosa od bilo kojeg pristupa s jednim indeksom.

4. Integriranje opažanja s tla

Karte VI uvijek treba interpretirati uz promatranja terenskog izviđanja. Kada se anomalija VI pojavi na karti dronom, fizički terenski posjet toj lokaciji potvrđuje odražava li spektralni signal stvarni agronomski problem - nedostatak dušika, zbijenost, preplavljivanje, štetu od štetnika - ili artefakt šuma senzora, sjene ili varijacije tla. Promatranja na tlu također pružaju podatke za obuku potrebne za kalibraciju lokalnih pragova VI za specifične hibride, tla i sustave upravljanja.

5. Korištenje analize vremenskih serija

Jedna VI slika je snimka događaja. Vremenski niz slika od pojave do zrelosti je priča. Prikazivanje vrijednosti indeksa tijekom vremena otkriva putanje rasta koje identificiraju stresne događaje prema datumu kada su se dogodili, koliko su bili ozbiljni i koliko su dugo trajali. Podaci vremenskih serija također omogućuju usporedbu između trenutne sezone i povijesnih vrijednosti, pružajući kontekst koji snimke s jednim datumom ne mogu pružiti.

Budući trendovi u praćenju rasta kukuruza

1. Umjetna inteligencija

Algoritmi umjetne inteligencije sve se više primjenjuju na podatke o indeksu vegetacije kako bi se automatizirali zadaci interpretacije koji trenutno zahtijevaju prosudbu agronoma. Modeli dubokog učenja obučeni na velikim skupovima podataka o VI mogu klasificirati vrstu stresa, ozbiljnost i prostorni opseg iz multispektralnih snimaka u sekundama, označavajući zone koje zahtijevaju djelovanje za pregled agronoma umjesto da zahtijevaju potpunu ručnu analizu svake slike.

Umjetna inteligencija na poljoprivrednom tržištu procijenjena je na 2,1 milijardu USD u 2023. i predviđa se rast po složenoj godišnjoj stopi rasta (CAGR) od preko 24% do 2032. (GMI, 2025.), što odražava koliko se brzo ova sposobnost komercijalizuje.

2. Modeli strojnog učenja

Random Forest, XGBoost i konvolucijske neuronske mreže (CNN) primijenjene na višeindeksne, višetemporalne skupove podataka dosljedno nadmašuju tradicionalne VI-yield modele temeljene na regresiji.

Istraživanje korištenjem GBM-a (Gradient Boosting Machines) za predviđanje prinosa kukuruza postignuto R² vrijednosti od 0,78 pri integraciji vremenskih serija VI s meteorološkim podacima, nadmašujući jednostavnije regresijske pristupe.

Ovi modeli uče složene, nelinearne odnose između spektralnih obrazaca i agronomskih ishoda koje linearni modeli ne mogu uhvatiti.

3. Hiperspektralno snimanje

Hiperspektralni senzori istovremeno bilježe podatke o refleksiji u stotinama uskih spektralnih pojaseva, u usporedbi s pet do deset pojaseva tipičnih multispektralnih kamera. Ova spektralna gustoća omogućuje detekciju signala stresa usjeva koji padaju u uske spektralne prozore nevidljive širokopojasnim senzorima.

Hiperspektralni indeksi za otkrivanje bolesti, stresa teškim metalima i nedostatka mikronutrijenata aktivno se validiraju za kukuruz, a komercijalni hiperspektralni sustavi bespilotnih letjelica postaju sve pristupačniji.

4. Praćenje usjeva u stvarnom vremenu

Kombinacija miniaturizacije senzora, širenja satelitske konstelacije i 5G povezivosti vodi prema praćenju stanja usjeva u stvarnom vremenu - gdje su podaci o VI dostupni kontinuirano tijekom vegetacijske sezone, a ne tjedno ili dvotjedno.

Dnevna stopa ponovnih posjeta satelita Planet Labsa i postavljanje terenskih senzora omogućenih IoT-om koji prenose podatke na platforme u oblaku već pružaju mogućnost praćenja gotovo u stvarnom vremenu za rane korisnike.

DJI-jevi sustavi daljinskog istraživanja temeljeni na dronovima izvijestili su o 67.78% smanjenje količine ulaznih kemikalija kada se karte propisanog gnojiva izvedene iz podataka o VI-u koriste u sustavima prskanja s promjenjivom brzinom (Mordor Intelligence, 2026).

5. Integracija sa sustavima precizne poljoprivrede

Sljedeći korak u praćenju indeksa tjelesne aktivnosti kukuruza je besprijekorna integracija između prikupljanja podataka, obrade, interpretacije i djelovanja na terenu. Platforme za upravljanje poljoprivrednim gospodarstvima temeljene na oblaku već izravno povezuju cjevovode satelitskih i dronovih snimaka sa softverom za kontrolu promjenjive brzine, smanjujući vrijeme od prikupljanja podataka do djelovanja na terenu s dana na sate.

Kako se API-ji između pružatelja slika, agronomskog softvera i poljoprivredne opreme standardiziraju, tijek rada od "leta dronom" do "primjene promjenjive stope" postat će dostupan proizvođačima svih razmjera.

Često postavljana pitanja

Koji je vegetacijski indeks najbolji za kukuruz?
Nijedan pojedinačni indeks nije univerzalno najbolji. NDRE najbolje funkcionira za procjenu dušika, SAVI za praćenje u ranoj fazi, EVI za uvjete gustog krošnje, a NDVI za opću korelaciju biomase i prinosa. Kombiniranje dva ili tri indeksa prilagođena cilju praćenja dosljedno nadmašuje bilo koji pojedinačni indeks.

Koliko često treba pratiti vegetacijske indekse?
Za upravljanje kukuruzom tijekom cijele sezone preporučuje se interval praćenja od svakih 7 do 14 dana tijekom razdoblja V4 do R3. Kritični prozori odlučivanja (V6 za dušik, VT za procjenu stresa, R3 za navodnjavanje) opravdavaju letove ili satelitsko prikupljanje podataka bez obzira na standardni raspored praćenja.

Koji vegetacijski indeks najbolje funkcionira tijekom ranog rasta kukuruza?
SAVI i MSAVI najbolje pokazuju od nicanja do V4 jer smanjuju utjecaj izloženog tla na vrijednost indeksa, dajući značajna mjerenja krošnje čak i kada je pokrovnost tla ispod 30%.

Mogu li vegetacijski indeksi otkriti bolest prije pojave simptoma?
Istraživanja pokazuju da folijarne bolesti mijenjaju spektralni potpis zaraženog lišća prije pojave vidljivih lezija. Indeksi temeljeni na crvenom rubu najosjetljiviji su za rano otkrivanje bolesti jer reagiraju na razgradnju klorofila u zaraženom tkivu. Vrijeme potrebno za otkrivanje ovisi o vrsti i težini bolesti, ali rano otkrivanje od 5 do 10 dana prije vizualnih simptoma dokazano je u kontroliranim studijama.

Zaključak

Vegetacijski indeksi za praćenje rasta kukuruza daleko su od istraživačke znatiželje. Sada su to praktični, na terenu testirani alati koji poljoprivrednicima i agronomima omogućuju da vide stres usjeva, nedostatak dušika i uvjete koji ograničavaju prinos tjednima prije nego što ti problemi postanu vidljivi - i prije nego što uzrokuju nepovratan gubitak prinosa. Odabir pravog indeksa za svaku fazu rasta nije mali tehnički detalj; to je razlika između otkrivanja stvarnog problema i generiranja obmanjujućih podataka. Kombiniranje više indeksa - NDRE za dušik, EVI za biomasu guste krošnje, NDWI za stanje vode - daje dijagnostičku sliku koju nijedno pojedinačno mjerenje ne može pružiti. Integriranje te spektralne slike s fizičkim terenskim promatranjima utemeljuje podatke u agronomskoj stvarnosti i sprječava pogrešno tumačenje koje proizlazi iz oslanjanja samo na daljinsko istraživanje.