Kaip vegetacijos indeksai pagerina kukurūzų augimo stebėseną

Kukurūzai yra daugiausiai pasaulyje užauginama javų kultūra pagal kiekį, vien Jungtinėse Valstijose jų apsėjama per maždaug 35 milijonai hektarų ir 2023 m. pagamins 390 milijonų metrinių tonų derlių. Tokio masto pasėlių priežiūra reikalauja daugiau nei žvalgybos pėsčiomis. Vegetacijos indeksai kukurūzų augimui stebėti – matematinės formulės, gautos iš to, kaip augalų lajos atspindi ir sugeria šviesą, – tapo šiuolaikinio pasėlių valdymo kertiniu akmeniu, nes jie spektrinius duomenis paverčia veiksminga informacija apie pasėlių sveikatą. Jie tai daro greitai, dideliu mastu ir neliesdami nė vieno lapo.

Nuotolinio stebėjimo technologija, dabar prieinama per palydovus, dronus ir nešiojamus jutiklius, kiekviename kukurūzų auginimo sezono etape į šiuos indeksus tiekia realaus laiko spektrinius duomenis. Ūkininkas arba agronomas gali aptikti azoto stresą V6, kol lapai nepagelsta, pastebėti vandens trūkumą grūdų užsipildymo metu, kol nesumažės derlius, arba sukalibruoti kintamos normos trąšų naudojimą, naudodamas lajų žemėlapius, sugeneruotus tą pačią savaitę, kai pasėlius reikia tręšti.

Kas yra augmenijos indeksai? Kaip jie veikia?

Augalijos indeksas (VI) yra bematė, kiekybinė vertė, apskaičiuojama matematiškai sujungiant dviejų ar daugiau jutiklio užfiksuotų spektrinių juostų atspindžio vertes. Rezultatas yra vienas skaičius, kuris išskiria ir sustiprina specifines augalo lajos biologines savybes, tokias kaip chlorofilo koncentracija, lapų plotas ar vandens kiekis, kartu slopindamas dirvožemio, atmosferos ir šešėlio trukdžius.

Augalijos indekso galia slypi jo gebėjime standartizuoti matavimus skirtinguose jutikliuose, laukuose ir datose. Užuot lyginęs neapdorotus atspindžio skaičius, kurie kinta priklausomai nuo apšvietimo sąlygų, VI pateikia santykį arba skirtumą, kuris yra stabilesnis ir biologiškai reikšmingesnis. Tai leidžia palyginti medžių lajų sveikatą skirtinguose laukuose, metų laikais ir net palydovinėse platformose.

Augalai sugeria tam tikrus šviesos bangos ilgius fotosintezei, o kitus atspindi. Sveika žalia augmenija sugeria didžiąją dalį raudonos šviesos (apie 660–680 nm), kurią lemia chlorofilo sukelta fotosintezė, ir dėl savo ląstelinės struktūros stipriai atspindi artimojo infraraudonojo spektro (NIR) šviesą.

Įtemptas arba retas laja sugeria mažiau raudonos šviesos ir daugiau atspindi, o artimoji infraraudonoji spinduliuotė (NIR) – mažiau. Augalijos indeksai matematiškai užfiksuoja šį kontrastą, kad kiekybiškai įvertintų, koks laja yra žalias, tankus ir sveikas tam tikru momentu.

Spektrinės juostos, naudojamos augmenijos indeksuose

Skirtingos spektro juostos teikia skirtingą diagnostinę informaciją apie pasėlius. Kiekviena juosta skirta skirtingam biologiniam procesui, todėl daugiajuosčiai jutikliai teikia išsamesnius duomenis nei paprastos RGB kameros. Šešios juostos, svarbiausios kukurūzų stebėjimui, yra šios:

• Raudona (620–700 nm): Stipriai absorbuojamas chlorofilo. Raudonos spalvos absorbcijos sumažėjimas rodo sumažėjusį fotosintezės aktyvumą, o tai rodo stresą, maistinių medžiagų trūkumą arba ankstyvą lajos senėjimą.
• Žalia (520–560 nm): Augalai labiau atspindi žalią šviesą nei raudoną, todėl jie atrodo žali. Žalios spalvos atspindėjimas koreliuoja su chlorofilo koncentracija ir naudojamas tokiuose indeksuose kaip GNDVI ir VARI.
• Mėlyna (450–490 nm): Sugeria karotenoidai ir chlorofilas. Dažniausiai naudojamas RGB pagrįstuose indeksuose, tokiuose kaip VARI, kur matomos tik matomos juostos.
• Artimasis infraraudonasis spinduliavimas (NIR, 750–900 nm): Stipriai atsispindi nuo sveikų lapų viduje esančio kempinės pavidalo mezofilo audinio. Niurinių infraraudonųjų spindulių atspindys yra NDVI, EVI ir daugumos plačiajuosčio ryšio indeksų pagrindas. Tankus, sveikas kukurūzų vainikas pasižymi dideliu Niurinių infraraudonųjų spindulių atspindžiu.
• Raudonasis kraštas (700–740 nm): Pereinamoji zona tarp raudonos sugerties ir artimojo infraraudonojo spinduliavimo atspindžio. Chlorofilo koncentracija ir azoto būsena daro didelę įtaką šiai juostai, todėl ji yra labai jautri ankstyvosios stadijos maistinių medžiagų streso nustatymui, kol jis tampa vizualiai pastebimas.
• Trumpabangis infraraudonasis spindulys (SWIR, 1 400–2 500 nm): Sugeria skystas vanduo augalo audiniuose. SWIR pagrįsti indeksai matuoja lajos vandens kiekį ir nustato sausros stresą, todėl jie yra vertingi grūdų dauginimosi metu, kai vandens trūkumas tiesiogiai veikia derlių.

Kodėl vegetacijos indeksai yra svarbūs kukurūzų augimo stebėsenai

1. Pasėlių sveikatos stebėjimas

Pasėlių sveikata apima daug persidengiančių veiksnių: chlorofilo koncentraciją, lapų ploto indeksą (LAI – bendro lapų ploto ir žemės ploto santykis), augalų vandens būklę ir lajos temperatūrą. Nė vienas lauko patikrinimas negali užfiksuoti visų šių veiksnių vienu metu šimtuose hektarų.

Vegetacijos indeksai suspaudžia šį sudėtingumą į išmatuojamas vertes, kurias galima pakartotinai stebėti per visą vegetacijos sezoną, siekiant nustatyti nykimą, kol jis netampa derliaus nuostoliais.

Tyrimas, paskelbtas m. Žemės ūkis (2023 m.) stebėjo tris kukurūzų hibridus sausros ir drėkinamomis sąlygomis, naudodami prie bepiločių orlaivių (UAV) pritvirtintus NDVI jutiklius. Tyrėjai kas savaitę stebėjo lajos sveikatą nuo sudygimo iki brandos ir nustatė, kad NDVI vertės reikšmingai skyrėsi tarp drėkinamų ir lietaus laistomų sklypų jau nuo V8, likus kelioms savaitėms iki matomų streso simptomų atsiradimo. Toks ankstyvas diferencijavimas leidžia laiku įsikišti.

2. Augalų gyvybingumo matavimas

Augalo gyvybingumas – bendras augimo greitis ir pasėlio biomasės kaupimasis – tiesiogiai prognozuoja derliaus potencialą. Tokie rodikliai kaip NDVI ir EVI yra stipriai koreliuojami su LAI ir antžemine sausa biomase kukurūzuose.

Augimo greičio stebėjimas pagrindinėse vegetacijos stadijose leidžia agronomams nustatyti nepakankamai produktyvias lauko zonas ir atitinkamai koreguoti sąnaudas, užuot taikant vienodus valdymo sprendimus visoje erdvėje kintančioje žemėje.

3. Streso nustatymas prieš pasireiškiant regos simptomams

Tai bene komerciškai vertingiausia vegetacijos indeksų savybė. Kukurūzų augalas, patiriantis azoto trūkumą, vandens stresą arba ankstyvą ligų spaudimą, pirmiausia parodo savo spektrinio atspindžio pokyčius, ypač raudonojo krašto ir artimojo infraraudonojo spinduliavimo juostose, likus kelioms dienoms ar savaitėms iki to, kai lapai pagelsta, vysta ar atsiranda matomų pažeidimų.

Raudonojo krašto indeksai, ypač NDRE ir CI Red Edge, yra ypač jautrūs subvizualiam azoto stresui ir chlorofilo sumažėjimui. Jang ir kt. (ScienceDirect, 2024) nustatė, kad derinant NDVI, NDRE ir GNDVI indeksai naudojant daugybinę tiesinę regresiją žymiai pagerino kukurūzų derliaus prognozavimo rezultatus, palyginti su bet kuriuo atskiru indeksu.

Augintojai, besiremiantys vienu indeksu, praranda adityviąją prognozavimo galią, kurią suteikia kelių indeksų metodai, ypač kritiniais reprodukcijos etapais.

4. Derliaus prognozavimo gerinimas

Strateginiais augimo etapais, ypač kutų ir šilko formavimosi laikotarpiu, surinkti vegetacijos indeksai yra patikimi galutinio grūdų derliaus prognozavimo rodikliai. Tyrimas paskelbtas žurnale „... Nuotoliniai tyrimai (2023 m.) sujungė daugialaikius bepiločių orlaivių (UAV) duomenis, įskaitant NDVI, NDRE, SAVI ir EVI, vegetacinėse ir reprodukcinėse stadijose, ir sukūrė kukurūzų derliaus prognozavimo modelį su R² yra 0,78, o rRMSE – 8,27%, pranoksta modelius, sukurtus remiantis vieno etapo duomenimis.

Pagrindinė įžvalga: naudojant kelis indeksus keliuose augimo etapuose, galima užfiksuoti daug platesnį derlių lemiančių veiksnių spektrą nei naudojant vieną momentinę matavimo kopiją.

5. Tiksliosios žemdirbystės rėmimas

Tikslioji žemdirbystė remiasi erdvinio kintamumo duomenimis, kad nustatytų konkrečiai vietai būdingus veiksnius. Iš dronų arba palydovinių vaizdų sudaryti vegetacijos indekso žemėlapiai atskleidžia pasėlių derliaus kintamumą lauko viduje, kurį vidutiniai lauko matavimai užgožia.

Šie žemėlapiai tiesiogiai įtraukiami į kintamo kiekio trąšų sistemas, todėl ūkininkai gali naudoti daugiau trąšų ten, kur pasėliams jų reikia, ir mažiau ten, kur nereikia, taip sumažinant išlaidas ir poveikį aplinkai.

Kukurūzų augimo etapai, kai vegetacijos indeksai yra naudingiausi

“Tinkamas indeksas tinkamame augimo etape atskleidžia informaciją apie pasėlius, kurios bendro pobūdžio žvalgyba tiesiog negali suteikti – o duomenų rinkimo laikas yra toks pat svarbus, kaip ir pasirinktas indeksas.”

1. Atsiradimo etapas

Dygimo metu augalų danga yra reta, o vaizde dominuoja dirvožemis. Standartinis NDVI čia veikia prastai, nes dirvožemio foninis triukšmas užgožia silpną lajos signalą. Šiame etape tinkami įrankiai yra dirvožemio pakoreguoti indeksai, tokie kaip SAVI ir MSAVI.

Jie taiko korekcijos koeficientą, kad sumažintų atviro dirvožemio įtaką indekso vertei, ir taip leidžia prasmingai išmatuoti augalų tankumą ir ankstyvą įsišaknijimo vienodumą.

2. Vegetatyvinis augimas (V stadijos)

Nuo V3 iki V12 kukurūzų laja sparčiai plečiasi. Tai yra svarbiausias azoto valdymo laikotarpis, nes pasėlių azoto poreikis smarkiai padidėja.

NDRE ir CI Green indeksai šiuo laikotarpiu yra jautriausi, nes raudona krašto juosta aptinka nedidelį chlorofilo sumažėjimą prieš platesnius NDVI signalo pokyčius. Bepiločių orlaivių skrydžiai V6 ir V10 dažniais, suderinti su azoto paskirstymo sprendimais, duoda didžiausią duomenų investicijų grąžą.

3. Kutų ir šilko vėrimas

Kutų susidarymas (VT) ir šilkinis susiformavimas (R1) yra jautriausi derliui etapai visame kukurūzų gyvavimo cikle. Šiuo metu lajos užsidarymas beveik baigtas, o tai reiškia, kad NDVI ir EVI dabar gali nuskaityti visą lają be dirvožemio įsikišimo.

Abu indeksai sveikuose pasėliuose pasiekia savo piką ties VT. Bet koks indekso verčių stabilizavimasis arba ankstyvas sumažėjimas šiame etape yra patikimas streso rodiklis, dėl kurio gali atsirasti branduolių nutrūkimas ir derliaus nuostoliai.

4. Grūdų įdaras

Grūdų daugėjimo laikotarpiu (R3–R5) pagrindinis rūpestis dėl valdymo pereina prie vandens streso ir ligų. NDWI (normalizuotas vandens skirtumo indeksas, apskaičiuojamas pagal NIR ir SWIR juostas) ir terminiai indeksai papildo standartinį rinkinį šiame etape, nustatydami lajos vandens kiekio sumažėjimą, kuris vyksta prieš matomą vytimą.

NDVI vertės pradeda natūraliai mažėti pasėliui bręstant, todėl norint interpretuoti indekso trajektorijas, reikia palyginti jas su numatomu auginamo hibrido sezoniniu modeliu.

5. Branda

Pasiekus fiziologinę brandą (R6), visi pagrindiniai augmenijos rodikliai mažėja, senstant lajai ir mažėjant chlorofilo kiekiui. Brandos metu gauti indekso duomenys daugiausia naudojami retrospektyviai analizei – sezoninių VI trajektorijų koreliacijai su faktiniais derliaus duomenimis, siekiant patvirtinti prognozavimo modelius ir pagerinti būsimų sezonų lyginamuosius rodiklius. Indekso kreivių laiko eilučių analizė nuo sudygimo iki brandos suteikia išsamiausią duomenų pagrindą konkrečiam laukui būdingų derliaus modelių kūrimui.

Įprasti vegetacijos indeksai, naudojami kukurūzų augimo stebėsenai

1. NDVI (normalizuotas diferencinis vegetacijos indeksas)

NDVI yra plačiausiai žemės ūkyje naudojamas augmenijos indeksas. Jis matuoja kontrastą tarp artimojo infraraudonojo spinduliavimo ir raudonojo atspindžio ir apskaičiuojamas taip:

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

NDVI vertės svyruoja nuo −1 iki +1. Sveikų, tankių kukurūzų lajų žalumo piko metu balai paprastai būna nuo 0,7 iki 0,9. Geriausi šio metodo taikymo sritys apima lajų vystymosi stebėjimą nuo V6 iki kutų formavimosi, prasčiau veikiančių lauko zonų nustatymą ir koreliaciją su LAI bei antžemine biomase.

Pagrindinis NDVI apribojimas yra prisotinimas tankiuose medžių lajose – kai LAI viršija maždaug 3 m²/m², papildomas lapų plotas mažina NDVI signalo pokyčius, sumažindamas jautrumą esant didžiausiam lajos tankumui.

2024 m. paskelbtame tyrime Žemės ūkis (MDPI), naudodamas bepiločių orlaivių (UAV) pagrindu veikiančią NDVI stebėseną per du vegetacijos sezonus Vengrijoje, nustatė, kad stipriausia NDVI ir derliaus koreliacija įvyko po šilko susidarymo stadijoje (R2 = 0,638 2023 m. ir R2 = 0,634 2024 m.), tai patvirtina NDVI, kaip sezono derliaus rodiklio, patikimumą tuo konkrečiu augimo laikotarpiu.

2. GNDVI (žaliasis NDVI)

GNDVI pakeičia raudoną juostą žalia juostele: GNDVI = (NIR − Žalia) / (NIR + Žalia). Žalias kanalas yra jautresnis chlorofilo koncentracijai nei raudonas kanalas, todėl GNDVI geriau aptinka vidutinius chlorofilo pokyčius brandžiuose, tankiuose medžių vainikėliuose, kur NDVI yra prisotintas.

Pagrindinis jo pritaikymas kukurūzuose yra azoto būklės įvertinimas vegetacijos viduryje ir reprodukcinėje stadijose. Tyrimai paskelbti žurnale „... ScienceDirect (2024 m.) patvirtino, kad GNDVI, derinamas su NDRE daugiaindeksiniuose regresijos modeliuose, žymiai pagerino kukurūzų derliaus prognozavimo tikslumą, ypač priešžydėjimo stadijose.

3. EVI (pagerintas augmenijos indeksas)

EVI pagerina NDVI, įtraukdama mėlynąją juostą ir taikydama atmosferos korekcijos koeficientus: EVI = 2,5 × [(NIR − raudona) / (NIR + 6 × raudona − 7,5 × mėlyna + 1)]. Ši formulė vienu metu sumažina atmosferos triukšmą ir dirvožemio foninius trukdžius, todėl EVI yra jautresnis nei NDVI tankių augalų lajų sąlygomis, kai NDVI prisotina.

EVI yra pageidaujamas indeksas kukurūzų lajos struktūrai stebėti nuo kutų susidarymo iki ankstyvo grūdų užsipildymo, kai augalų danga beveik visiškai padengta augalija. Tai yra pagrindinis MODIS palydovinių produktų indeksas ir yra plačiai naudojamas regioninio masto kukurūzų stebėsenai.

Tyrimas Žemės ūkis (2024 m.), naudodamas MODIS MOD09A1 duomenis Dzilino provincijoje, Kinijoje, nustatė, kad Sujungus kelis augmenijos indeksus, įskaitant EVI, su formos modeliu, žymiai pagerėjo fenologinės stadijos nustatymo tikslumas pagrindiniais kukurūzų augimo laikotarpiais, palyginti su vieno indekso metodais.

Didelio masto regioniniam pasėlių stebėjimui EVI sujungimas su kitais laiko eilučių modelių indeksais užtikrina patikimesnį fenologinį stebėjimą nei bet kuris vienas indeksas.

4. SAVI (Dirvožemio pakoreguotas augmenijos indeksas)

SAVI į NDVI formulę įtraukia dirvožemio ryškumo korekcijos koeficientą (L): SAVI = [(NIR − Raudona) / (NIR + Raudona + L)] × (1 + L), kur L = 0,5, esant tipiškoms dirvožemio sąlygoms. Slopindama plikos dirvos atspindžio įtaką, SAVI atlieka tikslesnius lajos matavimus ankstyvosiose kukurūzų augimo stadijose, kai žemės danga yra mažesnė nei 50%. Tai standartinis pasirinkimas augalų įsitvirtinimui, medynų vienodumui ir ankstyvojo sezono gyvybingumui stebėti nuo sudygimo iki V4.

5. NDRE (normalizuoto skirtumo raudonas kraštas)

NDRE naudoja raudonojo krašto ir artimojo infraraudonojo spektro juostas: NDRE = (NIR − raudonoji briauna) / (NIR + raudonoji briauna). Raudonoji kraštinė juosta yra spektrinėje srityje, kurioje nedideli chlorofilo koncentracijos pokyčiai sukelia didelius atspindžio pokyčius, todėl NDRE yra jautresnis azoto sukeltam chlorofilo pokyčiui nei NDVI.

Tyrimas, paskelbtas m. Jutikliai (2024 m.) LSU AgCenter tyrimų stotyje, naudodamas bepiločių orlaivių fotogrametriją, nustatė, kad NDRE, praėjus 87 dienoms po pasodinimo, prognozavo kukurūzų grūdų derlių, kai R² yra 0,9097., išskirtinai stiprus ryšys, pabrėžiantis NDRE vertę vėlyvojo sezono azoto valdymui ir derliaus prognozavimui.

6. MSAVI (Modifikuotas dirvožemio pakoreguotas augmenijos indeksas)

MSAVI patobulina SAVI, nes L koeficientas yra dinaminis, o ne fiksuotas, todėl jis automatiškai prisitaiko prie augmenijos dangos laipsnio: MSAVI = [2 × NIR + 1 − √((2 × NIR + 1)² − 8 × (NIR − raudona))] / 2.

Dėl šio savaiminio koregavimo MSAVI yra tikslesnis nei SAVI visame lajos vystymosi diapazone – nuo plikos dirvos išdygimo iki visiško padengimo kutų susidarymo metu. Tam nereikia jokių prielaidų apie dirvožemio šviesumą, todėl jį lengviau pritaikyti skirtingoms lauko sąlygoms ir dirvožemio tipams.

7. VARI (matomo atmosferinio atsparumo indeksas)

VARI naudoja tik matomas juostas (raudoną, žalią, mėlyną): VARI = (Žalia − Raudona) / (Žalia + Raudona − Mėlyna). Jo vertė slypi tame, kad jį galima apskaičiuoti naudojant standartines RGB kameras – tokias, kurias už mažą kainą nešiojasi dauguma komercinių dronų.

Nors VARI neturi tokio jautrumo azotui ir biomasei, kaip daugiaspektriniai indeksai, jis suteikia naudingą pirmojo etapo lajos žalumo vertinimą, todėl yra prieinamas ūkininkams, kurie dar neturi daugiaspektrinių jutiklių galimybių.

Tyrimas paskelbtas ScienceDirect (2025 m.) patvirtino, kad VARI yra vienas iš naudingų VI įvesties duomenų mašininio mokymosi modeliuose, skirtuose kukurūzų derliui prognozuoti įvairiose auginimo aplinkose.

8. OSAVI (Optimizuotas dirvožemio pakoreguotas augmenijos indeksas)

OSAVI yra supaprastinta SAVI versija su fiksuota L verte 0,16, optimizuota dalinio medžių lajos dangos sąlygoms: OSAVI = (NIR – raudona) / (NIR + raudona + 0,16).

Ši specifinė L vertė buvo empiriškai nustatyta siekiant sumažinti dirvožemio fono poveikį esant įvairiam augmenijos tankumui. OSAVI gerai veikia nuo V2 iki V6, panaikindamas atotrūkį tarp SAVI ankstyvojo sezono naudingumo ir NDVI tikslumo piko sezono metu.

9. CI žalia (chlorofilo indekso žalia)

CI Green tiesiogiai apskaičiuoja chlorofilo kiekį pagal atspindžio koeficientą: CI Žalia = (NIR / Žalia) − 1. Kadangi chlorofilas yra pagrindinis azotą kaupiantis pigmentas lapuose, „CI Green“ seka lajos azoto būseną nenaudodamas raudonos kraštinės juostos.

Dėl to jis vertingas, kai prieinama tik standartinė žalia juosta, pavyzdžiui, iš „Sentinel-2“ vaizdų, ir patikimai veikia nuo V6 iki šilkininio efekto, priimant sprendimus dėl azoto valdymo sezono viduryje.

10. CI raudonasis kraštas (chlorofilo indekso raudonasis kraštas)

CI Red Edge pakeičia žalią juostą raudona krašto juosta: CI raudonasis kraštas = (NIR / raudonasis kraštas) − 1. Dėl šio pakeitimo jis yra žymiai jautresnis chlorofilo pokyčiams nei CI Green, ypač vidurinėje ir vėlyvojoje vegetacijos stadijose, kai laja yra pakankamai tanki, kad žaliosios juostos signalas pradeda sodrėti. CI Red Edge yra vienas geriausiai veikiančių indeksų, skirtų aptikti subtilius azoto gradientus kukurūzų lauko tvarkymo zonose.

Vegetacijos indeksų palyginimas kukurūzų monitoringui

1. Geriausias ankstyvojo augimo indeksas

SAVI ir MSAVI nuosekliai lenkia NDVI ir EVI ankstyvojo kukurūzų vystymosi metu (sudygimo iki V4), nes sumažina dirvožemio foninį triukšmą, kuris kitu atveju dominuotų indeksiniame signale, kai lajos danga yra mažesnė nei 40%. OSAVI siūlo naudingą tarpinį variantą, kai dirvožemio sąlygos lauke yra įvairios.

2. Geriausias azoto aptikimo indeksas

NDRE ir CI „Red Edge“ yra stipriausi indeksai azoto trūkumui kukurūzuose nustatyti. Abu šie indeksai išnaudoja didelį raudonojo krašto juostos jautrumą chlorofilo koncentracijai. V6–V10 stadijoje – svarbiausiame lange priimant sprendimus dėl azoto naudojimo – šie indeksai aptinka trūkumą 7–14 dienų anksčiau, nei NDVI parodo bet kokį išmatuojamą atsaką, todėl lieka pakankamai laiko imtis korekcinių veiksmų.

3. Geriausias biomasės įvertinimo indeksas

NDVI ir EVI yra labiausiai patvirtinti indeksai antžeminės sausosios biomasės įvertinimui kukurūzuose. Tyrimai naudojant bepiločių orlaivių (UAV) daugiaspektrinius vaizdus kartu su tekstūros ypatybėmis. PMC (2023) nustatė, kad augmenijos indeksai, pagrįsti raudona (650 nm), raudonojo krašto (705 nm) ir artimojo infraraudonojo spinduliavimo (842 nm) juostomis, parodė didžiausią koreliaciją su LAI – glaudžiai susijusiu biomasės kaupimosi vegetaciniu laikotarpiu rodikliu.

4. Geriausias tankių lajų indeksas

EVI yra pageidaujamas indeksas, kai kukurūzų laja visiškai užsidaro, paprastai nuo kutų susidarymo iki ankstyvo grūdų užsipildymo. Kai NDVI prisotinamas, kai LAI yra didesnis nei maždaug 3, EVI toliau reaguoja į papildomą lapų plotą ir chlorofilo pokyčius, nes jo atmosferos ir dirvožemio korekcijos terminai neleidžia signalui prisotintis esant dideliam biomasės lygiui.

5. Geriausias sausros streso indeksas

NDWI (NIR ir SWIR pagrįstas vandens indeksas) ir NDVI, naudojami kartu, yra efektyviausias sausros streso nustatymo kukurūzuose derinys. NDWI tiesiogiai seka audinių vandens kiekio pokyčius, o NDVI fiksuoja antrinį vandens streso poveikį lajos žalumui. Čia didžiausią vertę suteikia daugiaspektriai jutikliai, turintys SWIR funkciją, nors šie jutikliai išlieka brangesni nei standartinės penkių juostų daugiaspektrinės sistemos.

Vegetacijos indeksų taikymas kukurūzų auginime

Augalijos indeksas yra toks pat naudingas, koks yra sprendimas, kurį jis leidžia priimti – tikslas visada yra spektrinius duomenis paversti lauko veiksmais, kurie pagerina derlių, sumažina sąnaudas arba atlieka abu šiuos veiksmus.

1. Biomasės įvertinimas

NDVI ir EVI vertės stipriai koreliuoja su antžemine sausa biomase per visą kukurūzų vegetacijos laikotarpį. Pakartotiniai bepiločių orlaivių skrydžiai arba palydovų praskridimai kas dvi savaites sukuria biomasės kaupimo kreives, kurios parodo, ar laukas artėja prie savo derliaus potencialo, ar atsilieka nuo numatomos augimo trajektorijos tam tikru sezonu.

2. Chlorofilo matavimas

„CI Green“ ir „CI Red Edge“ teikia neardomuosius lajos lygio chlorofilo įvertinimus, kurie seka augalo fotosintezės pajėgumą. Tyrimas paskelbtas žurnale „... PMC (2024 m.) atlikus UAV pagrįstą SPAD (chlorofilo matuoklio rodmenų) vertinimą kukurūzuose, buvo patvirtinta, kad modifikuotas raudonojo krašto santykio indeksas pasiekė R² 0,87 lapų chlorofilo kiekiui prognozuoti vidurinėje augimo stadijoje, parodant praktinį tikslumą, kurį raudonojo krašto indeksai suteikia šiam tikslui.

3. Azoto būklės įvertinimas

Azotas yra maistinė medžiaga, kuri labiausiai riboja kukurūzų derlių, o jos kiekis kinta visą sezoną, keičiantis pasėlių poreikiams. 2025 m. žurnale paskelbtame tyrime Augalų mokslo ribos 2024 m. integravo „Sentinel-2A“ palydovinius vaizdus, bepiločių orlaivių (UAV) daugiaspektrinius duomenis ir antžeminius stebėjimus keturiuose kukurūzų augimo etapuose ir sukūrė naują regioninio masto azoto kiekio inversijos modelį, naudodamas kelis vegetacijos indeksus kartu su juostos korekcija.

Sistema pasiekė aukštą patvirtinimo tikslumą 48 nepriklausomuose mėginių ėmimo taškuose, parodydama, kaip palydovų ir bepiločių orlaivių sintezė išplečia VI pagrindu veikiančio azoto valdymo mastelio keitimą ne tik atskiruose laukuose, bet ir ūkių bei regioniniu mastu.

4. Vandens streso nustatymas

Vandens stresas kukurūzuose pirmiausia sumažina žiotelių laidumą, tada lapų vandens kiekį ir galiausiai žaliąją biomasę – tris procesus, kurie nuosekliai veikia skirtingas spektro juostas. Ankstyvosios stadijos vandens stresas matomas terminių juostų duomenyse ir SWIR pagrįstuose indeksuose prieš mažėjant NDVI.

NDWI ir NDVI derinio stebėjimas per visą grūdų užsipildymo laikotarpį, kai vandens stresas daro didžiausią įtaką derliui, leidžia drėkinimo planavimą grįsti faktiniu pasėlių poreikiu, o ne kalendorinėmis taisyklėmis.

5. Ligų stebėsena

Grybelinės ligos, tokios kaip šiaurinė kukurūzų lapų maras ir pilkoji lapų dėmėtligė, pakeičia užkrėstų lapų spektrinį parašą dar prieš tai, kai žmogaus akiai matomi dideli pažeidimai. Užkrėstame audinyje būdingas artimojo infraraudonųjų spindulių atspindžio sumažėjimas ir raudonojo krašto padėties poslinkis.

Daugialaikis VI stebėjimas leidžia aptikti lokalizuotas spektrines anomalijas, rodančias kylantį ligų spaudimą, ir leidžia naudoti tikslinį fungicidų naudojimą, o ne purkšti visame lauke.

6. Kenkėjų padarytos žalos aptikimas

Kenkėjų maitinimosi sukelta defoliacija sumažina LAI, o tai tiesiogiai sumažina NDVI ir EVI vertes paveiktose vietose. Pavyzdžiui, armijos kirmėlių užkrėtimas sukuria būdingus erdvinius indekso mažėjimo modelius, kuriuos galima aptikti dronų vaizduose prieš užkrėtimui išplintant į gretimus lauko ruožus.

Didelės skiriamosios gebos bepiločių orlaivių (UAV) skrydžiai (atstumas tarp žemės ir mažesnio nei 5 cm) suteikia erdvinį detalumą, reikalingą vabzdžių daromai žalai atskirti nuo kitų lajos kitimo priežasčių.

7. Derliaus įvertinimas

Vegetacijos indekso vertės, išmatuotos konkrečiuose kritiniuose augimo etapuose, ypač V12, VT ir R3, yra patikimi galutinio grūdų derliaus prognozavimo rodikliai, derinami su istoriniais derliaus žemėlapiais ir orų duomenimis. Daugiaindeksiniai susiliejimo metodai nuolat pranoksta vieno indekso modelius.

GNDVI, NDRE ir SCCCI (supaprastinto lajos chlorofilo kiekio indekso) derinys prieš žydėjimą parodė ypač didelį derliaus prognozavimo tikslumą paskelbtuose kukurūzų tyrimuose. ScienceDirect (2026).

Vengrijoje atliktų dviejų auginimo sezonų tyrimų metu nustatyti 0,638 ir 0,634 koreliacijos koeficientai tarp NDVI po žydėjimo ir galutinio grūdų derliaus. Daugiaindeksiniai modeliai, įskaitant NDRE ir GNDVI, dar labiau padidina prognozavimo tikslumą.

8. Kintamo kiekio trąšų naudojimas

Iš dronų skrydžių sugeneruoti VI pagrįsti lajų žemėlapiai naudojami tiesiogiai kuriant kintamo kiekio azoto purkštuvų receptinių trąšų žemėlapius. Laukai suskirstomi į valdymo zonas pagal indekso vertes, o kiekviena zona gauna azoto dozę, sukalibruotą pagal konkretaus pasėlio poreikius.

Nuotolinis stebėjimas ir kintamo greičio technologija kartu sudarė 58% tiksliojo ūkininkavimo technologijų rinkos dalis 2025 m. („Precedence Research“, 2026 m.), atspindintis, koks svarbus šis darbo procesas tapo komercinėje kukurūzų gamyboje.

2025 m. atliktas tyrimas Žemės ūkis (MDPI) nustatė, kad vidutinės azoto dozės 120–180 kg ha⁻¹ užtikrino optimalų kukurūzų mitybos lygį, padidindamas derlių iki 5,086 t ha⁻¹ palyginti su netręštais kontroliniais augalais, NDVI pagrįsta stebėsena pasirodė esanti veiksminga ne tik derliaus optimizavimui, bet ir konkrečiai taikant konkrečioms vietai skirtas tręšimo strategijas.

Azoto valdymas NDVI pagrindu po žydėjimo (kai VI ir derliaus koreliacija pasiekia piką) gali pakeisti tradicinius tręšimo metodus, pagrįstus tik dirvožemio tyrimais, ir žymiai pagerinti tiek sąnaudų efektyvumą, tiek grūdų derlių.

Platformos, naudojamos augmenijos indekso duomenims rinkti

1. Palydoviniai vaizdai

Tokie palydovai kaip „Sentinel-2“ (10 m skiriamoji geba, 5 dienų pakartotinis apsilankymas) ir „Planet Labs“ (3 m skiriamoji geba, kasdienis pakartotinis apsilankymas) teikia nuoseklius, oro sąlygas atitinkančius spektrinius duomenis dideliuose plotuose už nedidelę kainą už hektarą.

Tai, kad ’Sentinel-2“ teleskopas turi raudonas kraštines juostas (B5, B6, B7 ties 705, 740, 783 nm), daro jį ypač vertingu NDRE ir CI raudonųjų kraštų skaičiavimams regioninėse kukurūzų stebėsenos programose. Apribojimas yra debesuotumas: debesuotas laikotarpis kritinio augimo laikotarpio metu gali sukelti duomenų spragas, kurios sutrikdo laikinąjį stebėjimą.

2. Dronais pagrįstas nuotolinis stebėjimas

Fiksuotų sparnų ir daugiarotoriai dronai su daugiaspektrinėmis kameromis teikia lauko mastelio vaizdus, kurių skiriamoji geba yra 2–10 cm vienam pikseliui. Toks detalumo lygis išskiria atskiras augalų eiles, todėl galima išmatuoti augalų lajos sveikatos skirtumus eilėse.

Dronų tyrimus galima suplanuoti pagal poreikį, neatsižvelgiant į palydovo praskriejimo laiką, todėl jie idealiai tinka duomenims rinkti tiksliuose agronominių sprendimų priėmimo taškuose, tokiuose kaip azoto tręšimas šoninėmis trąšomis ar drėkinimo planavimas.

3. Bepiločių orlaivių (UAV) daugiaspektrinės kameros

Daugiaspektrinės kameros, tokios kaip „MicaSense RedEdge“, „Parrot Sequoia“ ir „DJI Zenmuse P1“, vienu metu fiksuoja vaizdus penkiose ar daugiau siaurų spektro juostų, įskaitant raudoną, žalią, mėlyną, raudoną kraštą ir artimąjį infraraudonąjį spindulį.

Šios sistemos apima kalibruotą atspindžio plokštę ir saulės šviesos jutiklį, skirtus duomenims normalizuoti pagal kintančias apšvietimo sąlygas skrydžio metu, o tai yra būtina norint gauti tikslias, atkuriamas indekso vertes, o ne santykinius palyginimus.

4. Nešiojamieji pasėlių jutikliai

Aktyvūs optiniai jutikliai, tokie kaip „GreenSeeker“ ir „CropCircle“, skleidžia savo šviesos šaltinį ir matuoja atskirų augalų atspindėjimą artimu atstumu, pašalindami kintančios saulės šviesos poveikį.

Šie jutikliai naudojami greitam azoto būklės įvertinimui lauke tam tikrose mėginių ėmimo vietose. Jų duomenys papildo dronų ir palydovų vaizdus, pateikdami tikslius antžeminius matavimus, kurie patvirtina nuotolinio stebėjimo indekso vertes žinomose vietose.

5. Ant traktoriaus montuojami jutikliai

Traktoriuje montuojami aktyvūs jutikliai, tokie kaip „John Deere Hagie“ ir „Trimble GreenSeeker RT“, nuolat skenuoja kukurūzų lajas, traktoriui važiuojant lauku, ir perduoda realaus laiko NDVI duomenis tiesiai į kintamos normos valdiklį. Ši uždaro ciklo sistema leidžia trąšų normą koreguoti kelyje, remiantis realiais pasėlių būklės duomenimis, be atskiro duomenų apdorojimo etapo tarp jutiklių gavimo ir naudojimo.

Augalijos indekso tikslumą kukurūzų laukuose įtakojantys veiksniai

1. Dirvožemio fonas

Atviras dirvožemis turi savo spektrinį parašą, kuris susilieja su augalų lajos signalu, ypač kai danga yra mažesnė nei 50%. Dirvožemio atžvilgiu pakoreguoti indeksai (SAVI, MSAVI, OSAVI) yra sukurti siekiant sumažinti šį poveikį, tačiau dirvožemio spalva, drėgmė ir organinių medžiagų kiekis vis tiek turi įtakos indekso vertėms ankstyvojo sezono vaizduose. Kalibruojant indekso slenksčius konkretiems dirvožemio tipams regione, padidėja interpretavimo tikslumas.

2. Debesuotumas

Debesys blokuoja saulės spinduliuotę ir sukelia kintamą šešėlį ant žemės, todėl pasyviųjų jutiklių, esančių palydovuose ir dronuose, atspindžio matavimai yra nepatikimi.

Aktyvūs jutikliai yra atsparūs debesuotumui, nes jie patys tiekia apšvietimą. Debesuotumas yra svarbiausias veiksnys, ribojantis palydovinio VI stebėjimo naudingumą regionuose, kuriuose vegetacijos metu dažnai vyrauja debesuotumas.

3. Saulės kampas

Maži saulės kampai padidina šešėlio dalį šviesmečių skliaute, dirbtinai sumažindami artimojo infraraudonojo spinduliavimo atspindį ir iškreipdami indekso vertes. Bepiločių orlaivių skrydžiai, atliekami nuo 10 iki 14 val. vietos saulės laiku, sumažina šešėlių poveikį ir pateikia nuoseklesnius duomenis. Skrydžio laiko nuoseklumas atliekant pakartotinius tyrimus yra toks pat svarbus kaip ir absoliutus laikas, nes tai leidžia prasmingai palyginti datas.

4. Pasėlių tankumas

Augalų populiacija tiesiogiai veikia lajos užsidarymą ir todėl, kaip greitai VI vertės didėja nuo pasodinimo iki lajos užsidarymo. Laukuose, kuriuose augalų populiacija mažesnė, laja užsidaro vėliau, todėl pailgėja laikotarpis, kai dirvožemio fonas trukdo indekso rodmenims. Iš dygimo vaizdų gauti populiacijos žemėlapiai leidžia koreguoti VI ribas pagal vietinius tankumo pokyčius.

5. Augimo etapas

Ta pati VI vertė skirtinguose augimo etapuose reiškia skirtingus dalykus. 0,5 NDVI V6 etape gali rodyti sveiką, gerai besivystantį vainiką, o 0,5 NDVI VT etape reikštų didelį stresą.

VI verčių interpretavimas neatsižvelgiant į augimo stadiją lemia klaidingą pasėlių būklės klasifikavimą. Laiko eilučių analizė, kuri lygina dabartines vertes su numatomomis sezoninėmis kreivėmis, tai ištaiso, kontekstualizuodama kiekvieną rodmenį pasėlių vystymosi trajektorijoje.

6. Jutiklio skiriamoji geba

Didesnės skiriamosios gebos jutikliai viename pikselyje sumaišo pasėlių, dirvožemio ir lauko pakraščių spektrinius signalus – ši problema vadinama “mišriais pikseliais”. Esant 10 m skiriamajai gebai, ’Sentinel-2“ vienas pikselis padengia 100 m² žemės plotą, kuriame dažnai būna kelios pasėlių eilės ir tarpueiliai.

Didesnės raiškos dronų vaizdai (5 cm pikseliui) pašalina mišrius pikselius ir suteikia daug grynesnį drono kupolo spektrinį signalą, tačiau padidina duomenų kiekį ir apdorojimo laiką.

Augalijos indeksų, skirtų kukurūzų monitoringui, apribojimai

1. Sotumas tankiuose medžių vainikėliuose

NDVI, plačiausiai naudojamas indeksas, prisotina save, kai LAI vertės yra didesnės nei maždaug 3 m²/m², o kukurūzai šią vertę paprastai pasiekia iki V10. Viršijus šią ribą, papildomas lajos žalumo ar biomasės padidėjimas sukelia nežymius NDVI pokyčius. EVI, GNDVI ir NDRE yra sukurti siekiant išspręsti šį apribojimą, tačiau jiems reikia daugiau spektrinių juostų nei NDVI ir jie ne visada pasiekiami iš pigesnių jutiklių.

2. Priklausomybė nuo oro sąlygų

Pasyvios nuotolinio stebėjimo sistemos priklauso nuo nuolatinio saulės apšvietimo. Debesuotumas, migla ir atmosferos aerozoliai sugeria ir išsklaido saulės spindulius prieš jiems pasiekiant pasėlius ir vėl grįžtant į jutiklį, iškreipdami atspindžio vertes.

Duomenų apdorojimo metu taikomi atmosferos korekcijos algoritmai sumažina, bet nepašalina šio poveikio. Atogrąžų kukurūzų auginimo regionuose, kuriuose užsitęsia debesuotumas, duomenų spragos gali būti pakankamai dažnos, kad pakenktų laiko eilučių stebėjimui.

3. Mišrūs pikseliai

Esant mažai erdvinei skiriamajai gebai, pikseliai fiksuoja signalus tiek iš pasėlių lajos, tiek iš dirvožemio, kelių, drėkinimo įrangos ar lauko ribų. Gautas mišrus pikselių atspindys sukuria indekso vertes, kurios neatspindi vien lajos. Lauko ribų maskavimas ir didžiausios įmanomos erdvinės skiriamosios gebos jutiklio naudojimas yra standartinė praktika, siekiant sumažinti šią paklaidą.

4. Kalibravimo reikalavimai

Norint gauti tikslias ir atkuriamas indekso vertes, reikia atlikti jutiklio radiometrinį kalibravimą, atmosferos poveikio korekciją ir normalizavimą pagal kintamą apšvietimą dronų skrydžių metu. Praleidus šiuos veiksmus, gaunami santykiniai VI žemėlapiai, kurių negalima palyginti tarp datų ar laukų, todėl jų naudingumas laiko eilučių stebėjimui ir kelių laukų lyginamajai analizei yra ribotas.

5. Būtinybė patvirtinti faktinę tiesą

Augalijos indeksai yra netiesioginiai matavimai. Jie įvertina pasėlių savybes – chlorofilą, azotą, biomasę – koreliuodami spektrinius modelius su biologiniais kintamaisiais, o ne matuodami juos tiesiogiai.

Kiekvienas VI pagrįstas pasėlių vertinimas yra pagrįstas faktiniu patvirtinimu: fiziniais lapų azoto matavimais, chlorofilo matuoklio rodmenimis arba destruktyvios biomasės mėginiais, paimtais reprezentatyviame lauko vietų pogrupyje. Faktiniai duomenys įtvirtina nuotolinio stebėjimo interpretaciją ir užkerta kelią klaidingai diagnozei.

Geriausia vegetacijos indeksų naudojimo kukurūzų laukuose praktika

1. Tinkamo indekso pasirinkimas

Indekso pasirinkimas turėtų atitikti stebėsenos tikslą ir turimą jutiklį. Azoto vertinimui pasirinkite NDRE arba CI Red Edge, jei yra raudona krašto juosta. Ankstyvojo sezono medynų vertinimui naudokite SAVI arba MSAVI.

Sezono piko metu medžių lajų stebėjimui ir derliaus prognozavimui naudokite EVI arba NDVI kartu su GNDVI arba NDRE. Sezono pradžioje arba esant dideliam lajų tankumui venkite naudoti vien NDVI – jo apribojimai abiem atvejais yra gerai žinomi.

2. Tinkamo augimo etapo pasirinkimas

Duomenų rinkimo laiko parinkimas agronominių sprendimų priėmimo momentams maksimaliai padidina VI duomenų valdymo vertę. Praktinis kukurūzų stebėsenos grafikas apimtų:

1. V2–V4 (dygimo patikra): medynų vienodumui įvertinti ir atsodinimo zonoms nustatyti naudokite SAVI arba MSAVI.
2. V6 (azoto kiekio nustatymas pagal šalutinį kiekį): naudokite NDRE arba CI Red Edge, kad nustatytumėte azoto būseną ir sugeneruotumėte kintamos normos receptą.
3. V10–V12 (lajų uždarymas): naudokite NDVI ir EVI biomasei įvertinti ir nepakankamai gerai veikiančioms valdymo zonoms pažymėti.
4. VT (kuotmedžių formavimasis): naudokite NDVI ir GNDVI, kad įvertintumėte lajos aukštį ir nustatytumėte sritis, kurioms kyla streso rizika apdulkinimo metu.
5. R3 (pieno stadija): naudokite NDVI ir NDWI vandens stresui nustatyti ir grūdų užsipildymo progresui įvertinti.
6. R6 (brandumas): naudokite indekso duomenis sezoninei VI trajektorijai susieti su derliaus kiekiu modelio kalibravimui.

3. Kelių indeksų sujungimas

Nė vienas indeksas neatspindi viso kukurūzų pasėlių būklės sudėtingumo. Sujungus du ar daugiau indeksų, skirtų skirtingiems biologiniams signalams, gaunami išsamesni diagnostiniai žemėlapiai. NDRE azoto būklei, NDVI bendrajai biomasei ir NDWI vandens kiekiui derinys apima tris dažniausiai pasitaikančius kukurūzų auginimo ribojančius veiksnius. Kelių indeksų sujungimas mašininio mokymosi modeliuose užtikrina išmatuojamai didesnį derliaus prognozavimo tikslumą nei bet kuris vieno indekso metodas.

4. Antžeminių stebėjimų integravimas

VI žemėlapiai visada turėtų būti interpretuojami kartu su lauko stebėjimais. Kai dronų žemėlapyje atsiranda VI anomalija, fiziškai apsilankius toje vietoje, patvirtinama, ar spektrinis signalas atspindi realią agronominę problemą – azoto trūkumą, sutankinimą, užmirkimą, kenkėjų padarytą žalą – ar jutiklių triukšmo, šešėlio ar dirvožemio pokyčių artefaktą. Antžeminiai stebėjimai taip pat suteikia mokymo duomenis, reikalingus vietinėms VI riboms kalibruoti konkretiems hibridams, dirvožemiams ir valdymo sistemoms.

5. Laiko eilučių analizės naudojimas

Vienas VI vaizdas yra momentinė nuotrauka. Laiko eilutė, sudaryta iš vaizdų nuo sudygimo iki brandos, yra istorija. Indekso verčių braižymas laikui bėgant atskleidžia augimo trajektorijas, kurios identifikuoja streso įvykius pagal jų datą, sunkumą ir trukmę. Laiko eilučių duomenys taip pat leidžia palyginti dabartinį sezoną ir istorinius etalonus, suteikdami kontekstą, kurio negali pateikti vienos datos vaizdai.

Kukurūzų augimo stebėsenos ateities tendencijos

1. Dirbtinis intelektas

Dirbtinio intelekto algoritmai vis dažniau taikomi augmenijos indekso duomenims, siekiant automatizuoti interpretavimo užduotis, kurioms šiuo metu reikalinga agronomo nuomonė. Giliojo mokymosi modeliai, apmokyti naudojant didelius VI duomenų rinkinius, gali per kelias sekundes klasifikuoti streso tipą, stiprumą ir erdvinį mastą iš daugiaspektrinių vaizdų, pažymėdami veiksmų reikalaujančias zonas agronomui peržiūrėti, užuot reikėję atlikti išsamią rankinę kiekvieno vaizdo analizę.

Dirbtinis intelektas žemės ūkio rinkoje buvo įvertintas 2,1 mlrd. JAV dolerių 2023 m. ir prognozuojama, kad iki 2032 m. jis augs daugiau nei 241 mln. per metus (metinis augimo tempas) (GMI, 2025), atspindintis, kaip sparčiai šis pajėgumas yra komercializuojamas.

2. Mašininio mokymosi modeliai

Daugiaindeksiniams, daugialaikiams duomenų rinkiniams taikomi „Random Forest“, „XGBoost“ ir konvoliuciniai neuroniniai tinklai (CNN) nuolat pranoksta tradicinius regresijos pagrindu veikiančius VI pajamingumo modelius.

Tyrimai, naudojant GBM (gradiento didinimo mašinas) kukurūzų derliaus prognozavimui, atlikti R² vertės 0,78 integruojant VI laiko eilutes su meteorologiniais duomenimis, paprastesni regresiniai metodai yra geresni.

Šie modeliai išmoksta sudėtingus, netiesinius ryšius tarp spektrinių modelių ir agronominių rezultatų, kurių tiesiniai modeliai negali užfiksuoti.

3. Hiperspektrinis vaizdavimas

Hiperspektriniai jutikliai vienu metu fiksuoja atspindžio duomenis šimtuose siaurų spektrinių juostų, palyginti su penkiomis–dešimčia įprastų multispektrinių kamerų juostų. Toks spektrinis tankis leidžia aptikti pasėlių streso signalus, kurie patenka į siaurus spektrinius langus, nematomus plačiajuosčiams jutikliams.

Kukurūzams aktyviai patvirtinami hiperspektriniai ligų aptikimo, sunkiųjų metalų streso ir mikroelementų trūkumo rodikliai, o komercinės bepiločių orlaivių hiperspektrinės sistemos tampa vis labiau prieinamos.

4. Pasėlių stebėjimas realiuoju laiku

Jutiklių miniatiūrizacijos, palydovų konsteliacijos išplėtimo ir 5G ryšio derinys skatina pasėlių būklės stebėjimą realiuoju laiku – kai VI duomenys yra prieinami nuolat auginimo sezono metu, o ne kas savaitę ar kas dvi savaites.

’Planet Labs“ kasdienis palydovų pakartotinių apsilankymų dažnis ir daiktų internetu pagrįstų lauko jutiklių, kurie perduoda duomenis į debesijos platformas, diegimas jau suteikia beveik realiuoju laiku stebimos sistemos galimybes ankstyviesiems naudotojams.

DJI dronais pagrįstos nuotolinio stebėjimo sistemos pranešė apie 67,78% cheminių medžiagų sąnaudų kiekio sumažinimas kai iš VI duomenų gauti receptų žemėlapiai tiekiami kintamo kiekio purškimo sistemoms („Mordor Intelligence“, 2026).

5. Integracija su tiksliosios žemdirbystės sistemomis

Kitas kukurūzų VI stebėsenos žingsnis – sklandi duomenų rinkimo, apdorojimo, interpretavimo ir lauko veiksmų integracija. Debesijos pagrindu veikiančios ūkių valdymo platformos jau jungia palydovinių ir dronų vaizdų srautus tiesiai prie kintamos normos valdiklio programinės įrangos, taip sutrumpinant laiką nuo duomenų rinkimo iki lauko veiksmų nuo dienų iki valandų.

Standartizuojant vaizdų teikėjų, agronominės programinės įrangos ir ūkio įrangos API, darbo eiga nuo “drono skrydžio” iki “kintamo kiekio nurodymo taikymo” taps prieinama visų lygių gamintojams.

Dažnai užduodami klausimai

Kuris vegetacijos indeksas yra geriausias kukurūzams?
Nė vienas indeksas nėra universaliai geriausias. NDRE geriausiai veikia vertinant azotą, SAVI – ankstyvosios stadijos stebėsenai, EVI – tankioms lajoms, o NDVI – bendrai biomasės ir derliaus koreliacijai. Dviejų ar trijų stebėsenos tikslui pritaikytų indeksų derinys nuosekliai pranoksta bet kurį vieną indeksą.

Kaip dažnai reikėtų stebėti augmenijos rodiklius?
Visą sezoną auginant kukurūzus, rekomenduojamas stebėjimo intervalas V4–R3 laikotarpiu yra kas 7–14 dienų. Kritiniai sprendimų langai (V6 azotui, VT streso vertinimui, R3 drėkinimui) pateisina skrydžių ar palydovinių duomenų rinkimą, neatsižvelgiant į standartinį stebėjimo grafiką.

Kuris vegetacijos indeksas geriausiai veikia ankstyvojo kukurūzų augimo metu?
SAVI ir MSAVI geriausiai veikia nuo sudygimo iki V4, nes sumažina atviro dirvožemio įtaką indekso vertei, todėl gaunami reikšmingi lajos matavimai net tada, kai žemės danga yra mažesnė nei 30%.

Ar augmenijos indeksai gali aptikti ligą prieš pasirodant simptomams?
Tyrimai rodo, kad lapų ligos pakeičia užkrėstų lapų spektrinį parašą dar prieš atsirandant matomiems pažeidimams. Raudonojo krašto indeksai yra jautriausi ankstyvam ligų nustatymui, nes jie reaguoja į chlorofilo skaidymą užkrėstame audinyje. Aptikimo laikas priklauso nuo ligos tipo ir sunkumo, tačiau kontroliuojamuose tyrimuose buvo įrodyta, kad ligos gali būti aptiktos anksti – 5–10 dienų iki vizualinių simptomų atsiradimo.

Išvada

Vegetacijos indeksai, skirti kukurūzų augimui stebėti, gerokai peržengė mokslinių tyrimų smalsumo ribas. Dabar tai praktiški, lauke išbandyti įrankiai, suteikiantys ūkininkams ir agronomams galimybę pamatyti pasėlių stresą, azoto trūkumą ir derlių ribojančias sąlygas likus kelioms savaitėms iki šių problemų atsiradimo ir iki joms sukeliant negrįžtamą derliaus praradimą. Tinkamo indekso parinkimas kiekvienam augimo etapui nėra nedidelė techninė detalė; tai yra skirtumas tarp realios problemos aptikimo ir klaidinančių duomenų gavimo. Kelių indeksų – NDRE azotui, EVI tankiai lajos biomasei, NDWI vandens būklei – derinimas leidžia gauti diagnostinį vaizdą, kurio negali pateikti joks vienas matavimas. Šio spektrinio vaizdo integravimas su fiziniais lauko stebėjimais pagrindžia duomenis agronomine realybe ir užkerta kelią klaidingam interpretavimui, kylančiam dėl pasikliavimo vien nuotoliniais tyrimais.