Kā veģetācijas indeksi uzlabo kukurūzas augšanas monitoringu

Kukurūza ir pasaulē visvairāk saražotā graudaugu kultūra pēc apjoma, un tikai Amerikas Savienotajās Valstīs to sēj visā pasaulē. aptuveni 35 miljoni hektāru un 2023. gadā saražoja 390 miljonus metrisko tonnu. Kultūraugu apsaimniekošana šādā mērogā prasa vairāk nekā tikai izlūkošanu kājām. Veģetācijas indeksi kukurūzas augšanas uzraudzībai — matemātiskas formulas, kas atvasinātas no tā, kā augu vainagi atstaro un absorbē gaismu — ir kļuvuši par mūsdienu kultūraugu apsaimniekošanas stūrakmeni, jo tie pārvērš spektrālos datus par praktiski izmantojamu kultūraugu veselības informāciju. Tie to dara ātri, plašā mērogā un nepieskaroties nevienai lapai.

Tālizpētes tehnoloģija, kas tagad ir pieejama, izmantojot satelītus, dronus un rokas sensorus, katrā kukurūzas audzēšanas sezonas posmā šajos indeksos ievada reāllaika spektrālos datus. Lauksaimnieks vai agronoms var noteikt slāpekļa stresu V6, pirms lapas kļūst dzeltenas, noteikt ūdens deficītu graudu piepildīšanās laikā, pirms ražas samazināšanās, vai kalibrēt mainīgas devas mēslošanas līdzekļu lietošanu, izmantojot vainagu kartes, kas ģenerētas tajā pašā nedēļā, kad kultūraugam nepieciešama mēslošana.

Kas ir veģetācijas indeksi? Kā tie darbojas?

Veģetācijas indekss (VI) ir bezdimensiju, kvantitatīva vērtība, kas tiek aprēķināta, matemātiski apvienojot divu vai vairāku sensora uztverto spektrālo joslu atstarošanas vērtības. Rezultāts ir viens skaitlis, kas izolē un pastiprina augu vainaga specifiskās bioloģiskās īpašības, piemēram, hlorofila koncentrāciju, lapu laukumu vai ūdens saturu, vienlaikus nomācot augsnes, atmosfēras un ēnu radītos traucējumus.

Veģetācijas indeksa jauda slēpjas tā spējā standartizēt mērījumus dažādos sensoros, laukos un datumos. Tā vietā, lai salīdzinātu neapstrādātus atstarošanas skaitļus, kas mainās atkarībā no apgaismojuma apstākļiem, VI sniedz attiecību vai starpību, kas ir stabilāka un bioloģiski nozīmīgāka. Tas ļauj salīdzināt vainagu veselību dažādos laukos, gadalaikos un pat satelītu platformās.

Augi fotosintēzes procesā absorbē noteiktus gaismas viļņu garumus, bet citus atstaro. Veselīga zaļa veģetācija absorbē lielāko daļu sarkanās gaismas (aptuveni 660–680 nm) hlorofila veicinātai fotosintēzei un, pateicoties tās šūnu struktūrai, spēcīgi atstaro tuvā infrasarkanā (NIR) starojuma gaismu.

Reta vai saspringta vainaga daļa absorbē mazāk sarkanās gaismas un vairāk atstaro, kā arī mazāk atstaro tuvās infrasarkanās gaismas (NIR). Veģetācijas indeksi matemātiski atspoguļo šo kontrastu, lai kvantitatīvi noteiktu, cik zaļa, blīva un veselīga ir vainaga daļa konkrētā brīdī.

Veģetācijas indeksos izmantotās spektrālās joslas

Dažādas spektra joslas sniedz atšķirīgu diagnostisko informāciju par kultūraugu. Katra josla ir vērsta uz atšķirīgu bioloģisko procesu, tāpēc daudzjoslu sensori sniedz bagātīgākus datus nekā vienkāršas RGB kameras. Sešas joslas, kas ir visatbilstošākās kukurūzas uzraudzībai, ir:

• Sarkans (620–700 nm): Spēcīgi absorbē hlorofils. Sarkanās absorbcijas samazināšanās liecina par samazinātu fotosintēzes aktivitāti, kas norāda uz stresu, barības vielu trūkumu vai agru vainaga novecošanos.
• Zaļš (520–560 nm): Augi atstaro zaļo gaismu vairāk nekā sarkano, tāpēc tie izskatās zaļi. Zaļās krāsas atstarošanās spēja korelē ar hlorofila koncentrāciju un tiek izmantota tādos indeksos kā GNDVI un VARI.
• Zils (450–490 nm): Absorbē karotinoīdi un hlorofils. Galvenokārt izmanto RGB indeksos, piemēram, VARI, kur pieejamas tikai redzamas joslas.
• Tuvais infrasarkanais starojums (NIR, 750–900 nm): Spēcīgi atstarojas no porainā mezofila auduma veselu lapu iekšpusē. NIR atstarošanās spēja ir NDVI, EVI un vairuma platjoslas indeksu pamats. Blīvs, veselīgs kukurūzas vainags uzrāda augstu NIR atstarošanos.
• Sarkanā mala (700–740 nm): Pārejas zona starp sarkano absorbciju un tuvā infrasarkanā starojuma atstarošanu. Hlorofila koncentrācijai un slāpekļa statusam ir spēcīga ietekme uz šo joslu, padarot to ļoti jutīgu agrīnas stadijas barības vielu stresa noteikšanai, pirms tas kļūst vizuāli redzams.
• Īsviļņu infrasarkanais (SWIR, 1400–2500 nm): Absorbē šķidrs ūdens augu audos. Uz SWIR balstīti indeksi mēra lapotnes ūdens saturu un nosaka sausuma stresu, padarot tos vērtīgus graudu piepildīšanās laikā, kad ūdens deficīts tieši ietekmē ražu.

Kāpēc veģetācijas indeksi ir svarīgi kukurūzas augšanas monitoringam

1. Kultūraugu veselības uzraudzība

Kultūraugu veselība ietver vairākus savstarpēji pārklājošos faktorus: hlorofila koncentrāciju, lapu laukuma indeksu (LAI — kopējās lapu laukuma attiecība pret zemes platību), augu mitruma stāvokli un vainaga temperatūru. Neviena lauka apmeklējuma laikā nevar vienlaikus aptvert visus šos faktorus simtiem hektāru platībā.

Veģetācijas indeksi saspiež šo sarežģītību izmērāmās vērtībās, kuras var atkārtoti izsekot augšanas sezonā, lai atklātu samazināšanos, pirms tā kļūst par ražas zudumu.

Pētījums, kas publicēts Lauksaimniecība (2023) veica trīs kukurūzas hibrīdu monitoringu sausuma un apūdeņošanas apstākļos, izmantojot bezpilota liāna (UAV) uzstādītus NDVI sensorus. Pētnieki katru nedēļu sekoja līdzi vainaga veselībai no dīgšanas līdz briedumam un atklāja, ka NDVI vērtības ievērojami atšķīrās starp apūdeņotajiem un lietus apūdeņotajiem lauciņiem jau V8 periodā, nedēļas pirms redzamu stresa simptomu parādīšanās. Šāda veida agrīna diferenciācija ļauj savlaicīgi iejaukties.

2. Augu enerģijas mērīšana

Augu spars — kopējais augšanas ātrums un kultūraugu biomasas uzkrāšanās — tieši prognozē ražas potenciālu. Tādi rādītāji kā NDVI un EVI ir cieši korelēti ar LAI un virszemes sausās biomasas daudzumu kukurūzā.

Spēcīguma uzraudzība galvenajās veģetācijas stadijās ļauj agronomiem noteikt nepietiekami produktīvās zonas laukā un attiecīgi pielāgot ieguldījumus, nevis piemērot vienotu apsaimniekošanas lēmumu visā telpiski mainīgajā zemē.

3. Stresa noteikšana pirms vizuāliem simptomiem

Šī, iespējams, ir veģetācijas indeksu komerciāli vērtīgākā iespēja. Kukurūzas augs, kam ir slāpekļa deficīts, ūdens stress vai agrīna slimību slodze, vispirms parāda izmaiņas tā spektrālajā atstarošanā — īpaši sarkanajā malā un NIR joslās — dažas dienas vai nedēļas pirms lapām parādās dzeltēšana, vīte vai redzami bojājumi.

Uz sarkanās malas balstīti indeksi, īpaši NDRE un CI Red Edge, ir īpaši jutīgi pret subvizuālo slāpekļa stresu un hlorofila samazināšanos. Jang et al. (ScienceDirect, 2024) atklāja, ka apvienojot NDVI, NDRE un GNDVI indeksi, izmantojot daudzkārtēju lineāru regresiju ievērojami uzlabota ražas prognozēšanas veiktspēja kukurūzai, salīdzinot ar jebkuru atsevišķu indeksu atsevišķi.

Audzētāji, kas paļaujas uz vienu indeksu, neizmanto aditīvo prognozēšanas spēju, ko sniedz vairāku indeksu pieejas, īpaši kritiskajos reproduktīvajos posmos.

4. Ienesīguma prognozēšanas uzlabošana

Veģetācijas indeksi, kas savākti stratēģiskās augšanas stadijās — īpaši pušķu veidošanās un zīda veidošanās laikā —, ir spēcīgi galīgās graudu ražas prognozētāji. Pētījums, kas publicēts žurnālā Tālizpēte (2023) apvienoja daudzlaiku bezpilota lidaparātu (UAV) datus, tostarp NDVI, NDRE, SAVI un EVI, dažādās veģetatīvās un reproduktīvās stadijās, un izveidoja kukurūzas ražas prognozēšanas modeli ar R² ir 0,78 un rRMSE ir 8,27%, pārspējot modeļus, kas balstīti uz vienpakāpes datiem.

Galvenā atziņa: vairāku indeksu izmantošana vairākās izaugsmes stadijās aptver daudz plašāku ienesīgumu noteicošo faktoru klāstu nekā viens mērījuma momentuzņēmums.

5. Precīzās lauksaimniecības atbalstīšana

Precīzā lauksaimniecība balstās uz telpiskās mainības datiem, lai noteiktu konkrētai vietai specifiskus ievades faktorus. Veģetācijas indeksa kartes, kas izveidotas no dronu vai satelītattēliem, atklāj kultūraugu ražas mainīgumu lauka ietvaros, ko vidējie lauka mērījumi neaizklāj.

Šīs kartes tieši tiek izmantotas mainīgas devas mēslošanas sistēmās, ļaujot lauksaimniekiem lietot vairāk mēslojuma tur, kur kultūraugiem tas ir nepieciešams, un mazāk tur, kur tas nav nepieciešams, vienlaikus samazinot izmaksas un ietekmi uz vidi.

Kukurūzas augšanas stadijas, kurās veģetācijas indeksi ir visnoderīgākie

“Pareizais indekss pareizajā augšanas stadijā atklāj informāciju par kultūraugu, ko vispārēja izpēte vienkārši nevar sniegt, un šīs datu vākšanas laiks ir tikpat svarīgs kā izvēlētais indekss.”

1. Parādīšanās stadija

Dīgšanas brīdī augu sega ir skāra, un attēlā dominē augsne. Standarta NDVI šeit darbojas slikti, jo augsnes fona troksnis nomāc vājo vainaga signālu. Šajā fāzē piemēroti rīki ir augsnes koriģēti indeksi, piemēram, SAVI un MSAVI.

Tie piemēro korekcijas koeficientu, lai samazinātu atsegtās augsnes ietekmi uz indeksa vērtību, ļaujot veikt jēgpilnus augu blīvuma un agrīnās ieaugšanās vienmērīguma mērījumus.

2. Veģetatīvā augšana (V stadijas)

No V3 līdz V12 kukurūzas vainags strauji paplašinās. Šis ir vissvarīgākais slāpekļa pārvaldības periods, jo kultūraugu pieprasījums pēc slāpekļa strauji palielinās.

Šajā periodā NDRE un CI Green ir visreaģējošākie indeksi, jo sarkanā malas josla nosaka nelielu hlorofila samazināšanos pirms NDVI plašākā signāla izmaiņām. Bezpilota lidaparātu lidojumi ar V6 un V10, kas veikti ar blakus esošās slāpekļa izkliedes lēmumiem, nodrošina vislielāko datu ieguldījumu atdevi.

3. Pušķošana un zīda apgriešana

Kukurūzas dzīves ciklā visjutīgākie posmi attiecībā uz ražu ir pušķošanās (VT) un zīdveida veidošanās (R1). Šajā brīdī vainaga aizvēršanās ir gandrīz pabeigta, kas nozīmē, ka NDVI un EVI tagad var nolasīt visu vainagu bez augsnes iejaukšanās.

Abu indeksu maksimums veselīgām kultūrām ir aptuveni VT. Jebkurš indeksu vērtību stagnācijas pieaugums vai agrīns kritums šajā posmā ir uzticams stresa rādītājs, kas novedīs pie graudu atmešanas un ražas zuduma.

4. Graudu pildījums

Graudu piepildīšanās laikā (R3–R5) galvenā apsaimniekošanas problēma pāriet uz ūdens stresu un slimībām. NDWI (normalizētais diferenciālais ūdens indekss, kas aprēķināts no NIR un SWIR joslām) un termiskie indeksi papildina standarta komplektu šajā fāzē, nosakot vainaga ūdens satura samazināšanos, kas notiek pirms redzamas vītes.

NDVI vērtības sāk dabiski samazināties, kultūraugam nogatavojoties, tāpēc indeksu trajektoriju interpretācijai ir nepieciešams salīdzināt tās ar audzējamā hibrīda paredzamo sezonālo modeli.

5. Briedums

Fizioloģiskā brieduma sasniegšanas brīdī visi galvenie veģetācijas indeksi samazinās, jo vainags noveco un hlorofils degradējas. Brieduma brīdī iegūtie indeksu dati galvenokārt tiek izmantoti retrospektīvai analīzei — sezonālo VI trajektoriju korelēšanai ar faktiskajiem ražas datiem, lai validētu prognozēšanas modeļus un uzlabotu turpmākās sezonas etalonus. Indeksu līkņu laikrindu analīze no dīgtspējas līdz briedumam nodrošina bagātīgāko datu bāzi konkrētam laukam paredzētu ražas modeļu veidošanai.

Bieži sastopamie veģetācijas indeksi, ko izmanto kukurūzas augšanas monitoringā

1. NDVI (normalizētais diferenciālais veģetācijas indekss)

NDVI ir visplašāk izmantotais veģetācijas indekss lauksaimniecībā. Tas mēra kontrastu starp NIR un sarkano atstarošanos un tiek aprēķināts šādi:

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

NDVI vērtības svārstās no −1 līdz +1. Veselīgas, blīvas kukurūzas vainagi parasti sasniedz maksimālā zaļuma pakāpi no 0,7 līdz 0,9. Tā labākie pielietojumi ietver vainagu attīstības izsekošanu no V6 līdz pušķu veidošanai, nepietiekami efektīvu lauka zonu identificēšanu un korelāciju ar LAI un virszemes biomasu.

NDVI galvenais ierobežojums ir piesātinājums blīvās vainagos — tiklīdz LAI pārsniedz aptuveni 3 m²/m², papildu lapu platība rada mazākas NDVI signāla izmaiņas, samazinot jutību pie maksimālā vainaga.

2024. gadā publicēts pētījums Lauksaimniecība (MDPI), izmantojot bezpilota lidaparātu (UAV) NDVI monitoringu divu augšanas sezonu laikā Ungārijā, atklāja, ka spēcīgākā NDVI un ražas korelācija notika pēc zīda veidošanās stadijā (R2 = 0,638 2023. gadā un R2 = 0,634 2024. gadā), kas apstiprina NDVI uzticamību kā sezonas ražas indikatoru konkrētajā augšanas logā.

2. GNDVI (zaļā NDVI)

GNDVI aizstāj sarkano joslu ar zaļo joslu: GNDVI = (NIR − Zaļš) / (NIR + Zaļš). Zaļais kanāls ir jutīgāks pret hlorofila koncentrāciju nekā sarkanais kanāls, padarot GNDVI labāku mērenas hlorofila variācijas nobriedušos, blīvos koku vainagos, kur NDVI ir piesātināts.

Tā galvenais pielietojums kukurūzā ir slāpekļa stāvokļa novērtēšana veģetācijas vidusposmā un reproduktīvajā stadijā. Pētījums publicēts 2016. gada maijā. ScienceDirect (2024) apstiprināja, ka GNDVI, apvienojumā ar NDRE daudzindeksu regresijas modeļos, ievērojami uzlaboja kukurūzas ražas prognozēšanas precizitāti, īpaši pirmsziedēšanas stadijās.

3. EVI (Uzlabots veģetācijas indekss)

EVI uzlabo NDVI, iekļaujot zilo joslu un piemērojot atmosfēras korekcijas koeficientus: EVI = 2,5 × [(NIR − Sarkans) / (NIR + 6 × Sarkans − 7,5 × Zils + 1)]. Šī formula vienlaikus samazina atmosfēras troksni un augsnes fona traucējumus, padarot EVI jutīgāku nekā NDVI blīva koku lapotuma apstākļos, kur NDVI piesātinās.

EVI ir vēlamais indekss kukurūzas vainaga struktūras uzraudzībai, sākot no pušķu veidošanās līdz agrīnai graudu piepildīšanai, kad augu sega ir gandrīz pilnīga. Tas ir pamatindekss MODIS satelītu produktos un tiek plaši izmantots reģionālā mēroga kukurūzas uzraudzībai.

Pētījums par Lauksaimniecība (2024. gadā), izmantojot MODIS MOD09A1 datus par Dzjiliņas provinci Ķīnā, atklāja, ka Apvienojot vairākus veģetācijas indeksus, tostarp EVI, ar formas modeli, ievērojami uzlabojās fenoloģiskās stadijas noteikšanas precizitāte. galvenajos kukurūzas augšanas periodos, salīdzinot ar viena indeksa pieejām.

Liela mēroga reģionālā kultūraugu monitoringā EVI apvienošana ar citiem indeksiem laika rindu modeļos nodrošina uzticamāku fenoloģisko izsekošanu nekā jebkurš atsevišķs indekss atsevišķi.

4. SAVI (augsnes koriģētais veģetācijas indekss)

SAVI NDVI formulā ievieš augsnes spilgtuma korekcijas koeficientu (L): SAVI = [(NIR − Sarkanais) / (NIR + Sarkanais + L)] × (1 + L), kur L = 0,5 tipiskiem augsnes apstākļiem. Samazinot kailas augsnes atstarošanas ieguldījumu, SAVI nodrošina precīzākus vainaga mērījumus agrīnās kukurūzas augšanas stadijās, kad zemes segums ir mazāks par 50%. Tā ir standarta izvēle augu izveidošanās, audzes vienmērīguma un agrīnās sezonas spēka uzraudzībai no dīgšanas līdz V4.

5. NDRE (normalizēta diferenciālā sarkanā mala)

NDRE izmanto sarkano malu un NIR joslas: NDRE = (NIR − sarkanā mala) / (NIR + sarkanā mala). Sarkanā malas josla atrodas spektra apgabalā, kur nelielas hlorofila koncentrācijas izmaiņas rada lielas atstarošanas izmaiņas, padarot NDRE jutīgāku nekā NDVI pret slāpekļa izraisītām hlorofila izmaiņām.

Pētījums, kas publicēts Sensori (2024. gadā), izmantojot bezpilota lidaparātu fotogrammetriju LSU AgCenter pētniecības stacijā, atklāja, ka NDRE 87 dienas pēc iesēšanas prognozēja kukurūzas graudu ražu ar R² 0,9097., ārkārtīgi spēcīga saistība, kas uzsver NDRE vērtību slāpekļa apsaimniekošanā vēlīnā sezonā un ražas prognozēšanā.

6. MSAVI (Modificēts augsnes koriģēts veģetācijas indekss)

MSAVI uzlabo SAVI, padarot L faktoru dinamisku, nevis fiksētu, tāpēc tas automātiski pielāgojas veģetācijas seguma pakāpei: MSAVI = [2 × NIR + 1 − √((2 × NIR + 1)² − 8 × (NIR − Sarkanā))] / 2.

Šī pašregulācija padara MSAVI precīzāku nekā SAVI visā vainaga attīstības diapazonā, sākot no kailas augsnes parādīšanās līdz pilnīgai aizsegšanai pušķu veidošanās laikā. Tai nav nepieciešami pieņēmumi par augsnes spilgtumu, padarot to vieglāk pārnesamu dažādos lauka apstākļos un augsnes tipos.

7. VARI (redzamās atmosfēras izturības indekss)

VARI izmanto tikai redzamās joslas (sarkanu, zaļu, zilu): VARI = (Zaļa − Sarkana) / (Zaļa + Sarkana − Zila). Tā vērtība slēpjas apstāklī, ka to var aprēķināt no standarta RGB kamerām — tādām, kādas ir lielākajā daļā komerciālo dronu par zemām izmaksām.

Lai gan VARI trūkst multispektrālo indeksu jutības attiecībā uz slāpekli un biomasu, tas nodrošina izmantojamu vainagu zaļuma pirmās pakāpes novērtējumu, padarot to pieejamu lauksaimniekiem, kuriem vēl nav multispektrālo sensoru iespēju.

Pētījums publicēts ScienceDirect (2025) apstiprināja VARI kā vienu no noderīgajiem VI ievades datiem mašīnmācīšanās modeļos kukurūzas ražas prognozēšanai dažādās augšanas vidēs.

8. OSAVI (Optimizēts augsnes koriģēts veģetācijas indekss)

OSAVI ir vienkāršota SAVI versija ar fiksētu L vērtību 0,16, kas optimizēta daļējas vainaga seguma apstākļiem: OSAVI = (NIR — sarkans) / (NIR + sarkans + 0,16).

Šī specifiskā L vērtība tika empīriski noteikta, lai līdz minimumam samazinātu augsnes fona ietekmi plašā veģetācijas blīvuma diapazonā. OSAVI labi darbojas no V2 līdz V6, samazinot atšķirību starp SAVI agrīnās sezonas lietderību un NDVI sezonas precizitāti.

9. CI Zaļš (hlorofila indeksa zaļš)

CI Green aprēķina hlorofila saturu tieši no atstarošanas koeficienta: CI Zaļš = (NIR / Zaļš) − 1. Tā kā hlorofils ir galvenais slāpekļa uzkrāšanas pigments lapās, CI Green izseko vainaga slāpekļa statusu, neizmantojot sarkano malas joslu.

Tas padara to vērtīgu, ja pieejama tikai standarta zaļā josla, piemēram, no Sentinel-2 attēliem, un tas uzticami darbojas no V6 līdz zīdīšanai, lai pieņemtu lēmumus par slāpekļa pārvaldību sezonas vidū.

10. CI sarkanā mala (hlorofila indeksa sarkanā mala)

CI Red Edge aizstāj zaļo joslu ar sarkano malas joslu: CI sarkanā mala = (NIR / sarkanā mala) − 1. Šī aizvietošana padara to ievērojami jutīgāku pret hlorofila izmaiņām nekā CI Green, īpaši vidējā un vēlīnā veģetācijas stadijā, kad vainags ir pietiekami blīvs, ka zaļās joslas signāls sāk piesātināties. CI Red Edge ir viens no vislabāk funkcionējošajiem indeksiem smalku slāpekļa gradientu noteikšanai kukurūzas lauka apsaimniekošanas zonās.

Veģetācijas indeksu salīdzināšana kukurūzas monitoringā

1. Labākais agrīnās izaugsmes indekss

SAVI un MSAVI konsekventi pārspēj NDVI un EVI agrīnās kukurūzas attīstības laikā (dīgšana līdz V4), jo tie samazina augsnes fona troksni, kas citādi dominētu indeksa signālā, kad vainaga segums ir zem 40%. OSAVI piedāvā noderīgu starpposma iespēju, ja augsnes apstākļi visā laukā ir mainīgi.

2. Labākais slāpekļa noteikšanas indekss

NDRE un CI Red Edge ir spēcīgākie indeksi slāpekļa deficīta noteikšanai kukurūzā. Abi izmanto sarkanās malas joslas augsto jutību pret hlorofila koncentrāciju. V6 līdz V10 stadijā — vissvarīgākajā laika posmā slāpekļa lietošanas lēmumu pieņemšanai — šie indeksi nosaka deficītu 7 līdz 14 dienas pirms NDVI uzrāda jebkādu izmērāmu reakciju, nodrošinot ievērojamu laiku korektīviem pasākumiem.

3. Labākais biomasas novērtēšanas indekss

NDVI un EVI ir visapstiprinātākie indeksi kukurūzas virszemes sausās biomasas novērtēšanai. Pētījumi, kuros izmantoti bezpilota lidaparātu (UAV) multispektrālie attēli apvienojumā ar tekstūras iezīmēm. PMC (2023) atklāja, ka veģetācijas indeksi, kuru pamatā ir sarkanā (650 nm), sarkanās malas (705 nm) un tuvā infrasarkanā starojuma (842 nm) joslas, uzrādīja visaugstāko korelāciju ar lokālo indeksu (LAI) — cieši saistītu biomasas uzkrāšanās rādītāju veģetācijas periodā.

4. Labākais blīvu lapotņu indekss

EVI ir vēlamais indekss, kad kukurūzas vainags ir pilnībā aizvēries, parasti no pušķu veidošanās līdz agrīnam graudu piepildījumam. Ja NDVI piesātinājums pārsniedz LAI aptuveni 3, EVI turpina reaģēt uz papildu lapu platības un hlorofila izmaiņām, jo tā atmosfēras un augsnes korekcijas faktori novērš signāla piesātinājumu augstā biomasas līmenī.

5. Labākais sausuma stresa indekss

NDWI (uz NIR un SWIR balstīts ūdens indekss) un NDVI kopā izmantošana ir visefektīvākā kombinācija sausuma stresa noteikšanai kukurūzā. NDWI tieši izseko audu ūdens satura izmaiņām, savukārt NDVI uztver ūdens stresa sekundāro ietekmi uz vainagu zaļumu. Šeit vislielāko vērtību sniedz multispektrālie sensori, kas ietver SWIR iespējas, lai gan šie sensori joprojām ir dārgāki nekā standarta piecu joslu multispektrālās sistēmas.

Veģetācijas indeksu pielietojums kukurūzas ražošanā

Veģetācijas indekss ir tikpat noderīgs, cik noderīgs ir lēmums, ko tas ļauj pieņemt — mērķis vienmēr ir spektrālos datus pārvērst lauka darbībās, kas uzlabo ražu, samazina izmaksas vai abus.

1. Biomasas novērtēšana

NDVI un EVI vērtības ir cieši saistītas ar virszemes sausās biomasas daudzumu visā kukurūzas veģetācijas periodā. Atkārtoti bezpilota lidaparātu (UAV) lidojumi vai satelītu pārlidojumi ar divu nedēļu intervālu ģenerē biomasas uzkrāšanās līknes, kas atklāj, vai lauks virzās uz savu ražas potenciālu vai atpaliek no paredzētās augšanas trajektorijas konkrētajā sezonā.

2. Hlorofila mērīšana

CI Green un CI Red Edge nodrošina nesagraujošus lapotnes līmeņa hlorofila aprēķinus, kas izseko kultūraugu fotosintēzes spēju. Pētījums publicēts žurnālā PMC (2024. gadā), izmantojot uz bezpilota lidaparātiem balstītu SPAD (hlorofila mērītāja rādījumu) novērtējumu kukurūzā, apstiprināja, ka modificētais sarkanās malas attiecības indekss sasniedza R² 0,87 lapu hlorofila satura prognozēšanai vidējā augšanas stadijā, demonstrējot praktisko precizitāti, ko sarkanās malas indeksi nodrošina šajā pielietojumā.

3. Slāpekļa stāvokļa novērtējums

Slāpeklis ir barības viela, kas vistiešāk ierobežo kukurūzas ražu, un tās statuss sezonas laikā svārstās, mainoties kultūraugu pieprasījumam. 2025. gadā publicēts pētījums Augu zinātnes robežas 2024. gadā integrēja Sentinel-2A satelītattēlus, bezpilota lidaparātu (UAV) multispektrālos datus un zemes novērojumus četrās kukurūzas augšanas stadijās un izstrādāja jaunu reģionālā mēroga slāpekļa satura inversijas modeli, izmantojot vairākus veģetācijas indeksus apvienojumā ar joslu korekciju.

Sistēma sasniedza augstu validācijas precizitāti 48 neatkarīgos paraugu ņemšanas punktos, demonstrējot, kā satelītu un bezpilota lidaparātu saplūšana paplašina uz VI balstītas slāpekļa pārvaldības mērogojamību ārpus atsevišķiem laukiem līdz saimniecību un reģionālām mērogām.

4. Ūdens stresa noteikšana

Ūdens stress kukurūzā vispirms samazina atvārsnīšu vadītspēju, tad lapu ūdens saturu un visbeidzot zaļo biomasu — trīs procesus, kas secīgi ietekmē dažādas spektra joslas. Agrīnās stadijas ūdens stress ir redzams termisko joslu datos un uz SWIR balstītajos indeksos, pirms NDVI samazinās.

NDWI un NDVI kombinācijas uzraudzība visā graudu piepildīšanas periodā — kad ūdens stresam ir vislielākā ietekme uz ražu — ļauj apūdeņošanas plānošanu balstīt uz faktisko kultūraugu pieprasījumu, nevis uz kalendāra noteikumiem.

5. Slimību uzraudzība

Sēnīšu slimības, piemēram, ziemeļu kukurūzas lapu iedega un pelēkā lapu plankumainība, maina inficēto lapu spektrālo raksturu, pirms cilvēka acs var saskatīt lielus bojājumus. Inficētajiem audiem ir raksturīgs tuvā infrasarkanā starojuma (NIR) atstarošanās samazinājums un sarkanās malas pozīcijas nobīde.

Vairāku laika periodu VI monitorings ļauj noteikt lokalizētas spektrālās anomālijas, kas norāda uz jaunu slimības spiedienu, ļaujot mērķtiecīgi lietot fungicīdus, nevis veikt smidzināšanu visā laukā.

6. Kaitēkļu radīto bojājumu noteikšana

Kaitēkļu barošanās izraisīta defoliācija samazina LAI, kas tieši pazemina NDVI un EVI vērtības skartajos apgabalos. Piemēram, armijas tārpu invāzijas rada raksturīgus indeksa samazināšanās telpiskos modeļus, ko var noteikt no dronu attēliem, pirms invāzija izplatās uz blakus esošajām lauka daļām.

Augstas izšķirtspējas bezpilota lidaparātu (UAV) lidojumi (paraugu ņemšanas attālums uz zemes ir mazāks par 5 cm) nodrošina telpisko detalizāciju, kas nepieciešama, lai atšķirtu kukaiņu bojājumus no citiem lapotuma izmaiņu cēloņiem.

7. Ienesīguma novērtējums

Veģetācijas indeksa vērtības, kas izmērītas noteiktos kritiskos augšanas posmos — īpaši V12, VT un R3 —, ir uzticami galīgās graudu ražas prognozētāji, ja tās tiek kombinētas ar vēsturiskajām ražas kartēm un laika apstākļu datiem. Vairāku indeksu sapludināšanas pieejas konsekventi pārspēj viena indeksa modeļus.

GNDVI, NDRE un SCCCI (vienkāršotā vainaga hlorofila satura indeksa) kombinācija pirmsziedēšanas periodā ir uzrādījusi īpaši augstu ražas prognozēšanas precizitāti publicētajos kukurūzas pētījumos no ScienceDirect (2026).

Pētījumos, kas veikti divu veģetācijas sezonu laikā Ungārijā, tika konstatēti korelācijas koeficienti 0,638 un 0,634 starp NDVI pēc zīdīšanas un galīgo graudu ražu. Daudzindeksu modeļi, tostarp NDRE un GNDVI, nodrošina vēl lielāku prognozēšanas precizitāti.

8. Mainīgas devas mēslojuma lietošana

No dronu lidojumiem ģenerētās uz VI balstītas vainagu kartes tiek tieši izmantotas, lai izveidotu recepšu kartes mainīgas devas slāpekļa smidzinātājiem. Lauki tiek sadalīti apsaimniekošanas zonās, pamatojoties uz indeksa vērtībām, un katra zona saņem slāpekļa devu, kas kalibrēta atbilstoši tās konkrētajām kultūraugu vajadzībām.

Tālizpēte un mainīga ātruma tehnoloģija kopā veidoja 58% no precīzās lauksaimniecības tehnoloģiju tirgus daļas 2025. gadā (Precedence Research, 2026), kas atspoguļo to, cik centrāla šī darbplūsma ir kļuvusi komerciālajā kukurūzas ražošanā.

2025. gadā veikts pētījums Lauksaimniecība (MDPI) atklāja, ka mērenas slāpekļa devas 120–180 kg ha⁻¹ nodrošināja optimālu kukurūzas barības vielu līmeni, palielinot ražu līdz pat 5,086 t ha⁻¹ salīdzinot ar nemēslotu kontroli, un uz NDVI balstīta uzraudzība ir izrādījusies efektīva ne tikai ražas optimizēšanai, bet arī konkrētai vietai paredzētu mēslošanas stratēģiju vadīšanai.

Uz NDVI balstīta slāpekļa pārvaldība pēc zīdīšanas stadijā (kad VI un ražas korelācija sasniedz maksimumu) var aizstāt tradicionālās mēslošanas metodes, kurās tiek izmantotas tikai augsnes pārbaudes, un ievērojami uzlabot gan ievades efektivitāti, gan graudu ražu.

Platformas, ko izmanto veģetācijas indeksa datu apkopošanai

1. Satelītattēli

Tādi satelīti kā Sentinel-2 (10 m izšķirtspēja, 5 dienu atkārtošanās) un Planet Labs (3 m izšķirtspēja, ikdienas atkārtošanās) nodrošina konsekventus, laikapstākļiem atbilstošus spektrālos datus plašās teritorijās par zemām izmaksām uz hektāru.

Sentinel-2 iekļautās sarkanās malas joslas (B5, B6, B7 pie 705, 740, 783 nm) padara to īpaši vērtīgu NDRE un CI sarkanās malas aprēķiniem reģionālajās kukurūzas monitoringa programmās. Ierobežojums ir mākoņu sega: mākoņains periods kritiskā augšanas logā var radīt datu nepilnības, kas pārtrauc laika monitoringu.

2. Uz droniem balstīta tālizpēte

Fiksētu spārnu un daudzrotoru droni, kas aprīkoti ar multispektrālām kamerām, nodrošina lauka mēroga attēlus ar izšķirtspēju 2–10 cm uz pikseli. Šis detalizācijas līmenis izšķir atsevišķas augu rindas, ļaujot izmērīt vainaga veselības atšķirības rindas ietvaros.

Dronu apsekojumus var ieplānot pēc pieprasījuma neatkarīgi no satelīta pārlidojuma laika, padarot tos ideāli piemērotus datu iegūšanai precīzos agronomisko lēmumu pieņemšanas punktos, piemēram, slāpekļa mēslojuma lietošanas vai apūdeņošanas plānošanas logos.

3. Bezpilota lidaparātu (UAV) multispektrālās kameras

Multispektrālās kameras, piemēram, MicaSense RedEdge, Parrot Sequoia un DJI Zenmuse P1, vienlaikus uztver attēlus piecās vai vairākās šaurās spektra joslās, tostarp sarkanā, zaļā, zilā, sarkanās malas un NIR.

Šīs sistēmas ietver kalibrētu atstarošanas paneli un saules gaismas sensoru, lai normalizētu datus mainīgiem gaismas apstākļiem lidojuma laikā, kas ir būtiski precīzu, reproducējamu indeksa vērtību, nevis relatīvu salīdzinājumu iegūšanai.

4. Rokas kultūraugu sensori

Aktīvie optiskie sensori, piemēram, GreenSeeker un CropCircle, izstaro savu gaismas avotu un mēra atsevišķu augu atstarošanos nelielā attālumā, novēršot mainīgas saules gaismas ietekmi.

Šie sensori tiek izmantoti ātrai slāpekļa stāvokļa novērtēšanai uz lauka noteiktos paraugu ņemšanas punktos. To dati papildina dronu un satelītattēlus, nodrošinot patiesus mērījumus uz zemes, kas apstiprina tālizpētes indeksa vērtības zināmās vietās.

5. Uz traktora uzstādītie sensori

Uz traktora uzstādītie aktīvie sensori, piemēram, John Deere Hagie un Trimble GreenSeeker RT, nepārtraukti skenē kukurūzas vainagu, traktoram pārvietojoties pa lauku, un reāllaika NDVI datus tieši pievada mainīgas devas regulatoram. Šī slēgtās cilpas sistēma ļauj veikt mēslojuma devas korekcijas kustības laikā, pamatojoties uz faktiskajiem kultūraugu stāvokļa datiem, bez atsevišķas datu apstrādes darbības starp sensoru un pielietošanu.

Faktori, kas ietekmē veģetācijas indeksa precizitāti kukurūzas laukos

1. Augsnes fons

Atsegtajai augsnei ir savs spektrālais paraksts, kas saplūst ar augu vainagu signālu, īpaši, ja segums ir zem 50%. Ar augsni koriģēti indeksi (SAVI, MSAVI, OSAVI) ir izstrādāti, lai mazinātu šo efektu, taču augsnes krāsa, mitrums un organisko vielu saturs joprojām ietekmē indeksa vērtības agrīnās sezonas attēlos. Indeksa sliekšņu kalibrēšana konkrētiem augsnes tipiem reģionā uzlabo interpretācijas precizitāti.

2. Mākoņu sega

Mākoņi bloķē saules starojumu un rada mainīgas ēnas uz zemes, padarot atstarošanas mērījumus neuzticamus pasīvajiem sensoriem uz satelītiem un droniem.

Aktīvie sensori ir imūni pret mākoņu segumu, jo tie paši nodrošina apgaismojumu. Mākoņu sega ir vissvarīgākais faktors, kas ierobežo satelītu VI monitoringa lietderību reģionos ar augstu mākoņu biežumu augšanas sezonā.

3. Saules leņķis

Zems saules leņķis palielina ēnu daļu vainagā, mākslīgi samazinot tuvā infrasarkanā starojuma (NIR) atstarošanos un kropļojot indeksa vērtības. Bezpilota lidaparātu lidojumi, kas tiek veikti laikā no plkst. 10:00 līdz 14:00 pēc vietējā Saules laika, samazina ēnu efektus un sniedz konsekventākus datus. Lidojuma laika konsekvence atkārtotos apsekojumos ir tikpat svarīga kā absolūtais laiks, jo tas ļauj jēgpilni salīdzināt datumus.

4. Kultūraugu blīvums

Augu populācija tieši ietekmē vainaga slēgšanos un līdz ar to to, cik ātri VI vērtības pieaug no stādīšanas līdz vainaga slēgšanai. Lauki ar zemāku augu populāciju aizver vainagu vēlāk, kas pagarina periodu, kurā augsnes fons traucē indeksa rādījumus. Populāciju kartes, kas iegūtas no dīgšanas attēliem, ļauj pielāgot VI robežvērtības vietējām blīvuma izmaiņām.

5. Izaugsmes stadija

Viena un tā pati VI vērtība dažādās augšanas stadijās nozīmē dažādas lietas. NDVI 0,5 V6 stadijā var liecināt par veselīgu, labi attīstītu vainagu, savukārt NDVI 0,5 VT stadijā liecinātu par ievērojamu stresu.

VI vērtību interpretācija, neņemot vērā augšanas stadiju, noved pie kultūraugu stāvokļa nepareizas klasifikācijas. Laikrindu analīze, kurā pašreizējās vērtības tiek salīdzinātas ar paredzamajām sezonālajām līknēm, to koriģē, kontekstualizējot katru rādījumu kultūraugu attīstības trajektorijā.

6. Sensora izšķirtspēja

Rupjākas izšķirtspējas sensori vienā pikselī sajauc kultūraugu, augsnes un lauka malu spektrālos signālus — šo problēmu sauc par “jauktajiem pikseļiem”. Sentinel-2 10 m izšķirtspējā viens pikselis pārklāj 100 m² zemes, kas bieži vien ietver vairākas kultūraugu rindas un augsni starp rindām.

Augstākas izšķirtspējas dronu attēli (5 cm uz pikseli) novērš jauktos pikseļus un nodrošina daudz tīrāku lapotnes spektrālo signālu, taču tas palielina datu apjomu un apstrādes laiku.

Veģetācijas indeksu ierobežojumi kukurūzas monitoringā

1. Piesātinājums blīvās lapotnēs

NDVI, visplašāk izmantotais indekss, piesātinās pie LAI vērtībām virs aptuveni 3 m²/m², ko kukurūza parasti sasniedz līdz V10. Virs šī sliekšņa papildu vainaga zaļuma vai biomasas pieaugums rada niecīgas NDVI izmaiņas. EVI, GNDVI un NDRE ir paredzēti, lai risinātu šo ierobežojumu, taču tiem ir nepieciešams vairāk spektra joslu nekā NDVI, un tie ne vienmēr ir pieejami no lētākiem sensoriem.

2. Atkarība no laikapstākļiem

Pasīvās tālizpētes sistēmas ir atkarīgas no pastāvīga saules apgaismojuma. Mākoņu sega, dūmaka un atmosfēras aerosoli absorbē un izkliedē ienākošo saules starojumu, pirms tas sasniedz kultūraugus un atkal atgriežas pie sensora, kropļojot atstarošanas vērtības.

Datu apstrādes laikā piemērotie atmosfēras korekcijas algoritmi samazina, bet nenovērš šo efektu. Tropu kukurūzas ražošanas reģionos ar ilgstošām mākoņainām sezonām datu nepilnības var būt tik biežas, ka tās var apdraudēt laikrindu uzraudzību.

3. Jaukti pikseļi

Pie zemas telpiskās izšķirtspējas pikseļi uztver signālus gan no kultūraugu vainaga, gan no augsnes, ceļiem, apūdeņošanas iekārtām vai lauka malām. Iegūtā jauktā pikseļu atstarošanās spēja rada indeksa vērtības, kas neatspoguļo tikai vainagu. Lauka robežu maskēšana un visaugstākās iespējamās telpiskās izšķirtspējas sensora izmantošana ir standarta prakse, lai samazinātu šo kļūdu.

4. Kalibrēšanas prasības

Lai iegūtu precīzas un reproducējamas indeksa vērtības, ir nepieciešama sensora radiometriskā kalibrēšana, atmosfēras ietekmes korekcija un normalizācija mainīgam apgaismojumam dronu lidojumu laikā. Izlaižot šīs darbības, tiek iegūtas relatīvas VI kartes, kuras nevar salīdzināt starp datumiem vai starp laukiem, ierobežojot to lietderību laika rindu uzraudzībai un vairāku lauku salīdzinošajai novērtēšanai.

5. Nepieciešamība pēc pamatota patiesuma apstiprinājuma

Veģetācijas indeksi ir netieši mērījumi. Tie novērtē kultūraugu īpašības — hlorofilu, slāpekli, biomasu —, korelējot spektrālos modeļus ar bioloģiskajiem mainīgajiem, nevis mērot tos tieši.

Katrs uz VI balstīts kultūraugu novērtējums gūst labumu no zemes patiesuma validācijas: lapu slāpekļa fiziski mērījumi, hlorofila mērītāja rādījumi vai destruktīvās biomasas paraugi, kas ņemti reprezentatīvā apgabalu apakškopā visā laukā. Zemes patiesuma dati nostiprina tālizpētes interpretāciju un novērš nepareizu diagnozi.

Labākā prakse veģetācijas indeksu izmantošanai kukurūzas laukos

1. Pareizā indeksa izvēle

Indeksa izvēlei jāatbilst monitoringa mērķim un pieejamajam sensoram. Slāpekļa novērtēšanai izvēlieties NDRE vai CI Red Edge, ja ir pieejama sarkanā malas josla. Agrīnas sezonas audzes novērtēšanai izmantojiet SAVI vai MSAVI.

Sezonas laikā vainagu monitoringam un ražas prognozēšanai izmantojiet EVI vai NDVI kombinācijā ar GNDVI vai NDRE. Izvairieties no NDVI lietošanas atsevišķi sezonas sākumā vai liela vainagu blīvuma gadījumā — tā ierobežojumi abos scenārijos ir labi zināmi.

2. Pareizā augšanas posma izvēle

Datu vākšanas laika izvēle atbilstoši agronomisko lēmumu pieņemšanas brīžiem maksimāli palielina VI datu pārvaldības vērtību. Praktisks kukurūzas monitoringa grafiks ietvertu:

1. V2–V4 (dīgšanas pārbaude): Izmantojiet SAVI vai MSAVI, lai novērtētu audzes viendabīgumu un noteiktu pārstādīšanas zonas.
2. V6 (slāpekļa piedevu noteikšana): izmantojiet NDRE vai CI Red Edge, lai kartētu slāpekļa statusu un ģenerētu mainīgas devas recepti.
3. V10–V12 (vainagvaja slēgšana): Izmantojiet NDVI un EVI, lai novērtētu biomasu un atzīmētu nepietiekami funkcionējošas apsaimniekošanas zonas.
4. VT (pušķošana): Izmantojiet NDVI un GNDVI, lai novērtētu vainaga virsotni un noteiktu vietas, kurām apputeksnēšanas laikā ir stresa risks.
5. R3 (piena stadija): Izmantojiet NDVI un NDWI, lai noteiktu ūdens stresu un novērtētu graudu piepildīšanās progresu.
6. R6 (briedums): Izmantojiet indeksa datus, lai korelētu sezonālo VI trajektoriju ar ražas apjomu modeļa kalibrēšanai.

3. Vairāku indeksu apvienošana

Neviens atsevišķs indekss neaptver kukurūzas ražas stāvokļa pilno sarežģītību. Apvienojot divus vai vairākus indeksus, kas vērsti uz dažādiem bioloģiskajiem signāliem, tiek iegūtas bagātīgākas diagnostikas kartes. NDRE slāpekļa statusam, NDVI kopējai biomasai un NDWI ūdens saturam kombinācija aptver trīs visizplatītākos ierobežojošos faktorus kukurūzas ražošanā. Vairāku indeksu sapludināšana mašīnmācīšanās modeļos nodrošina izmērāmi augstāku ražas prognozēšanas precizitāti nekā jebkura viena indeksa pieeja.

4. Zemes novērojumu integrēšana

VI kartes vienmēr jāinterpretē kopā ar lauka izlūkošanas novērojumiem. Kad drona kartē parādās VI anomālija, fiziska lauka apmeklējuma laikā šajā vietā tiek apstiprināts, vai spektrālais signāls atspoguļo reālu agronomisku problēmu — slāpekļa deficītu, sablīvēšanos, slapjo augsni, kaitēkļu radītus bojājumus — vai sensoru trokšņa, ēnas vai augsnes variāciju artefaktu. Novērojumi uz zemes sniedz arī apmācības datus, kas nepieciešami, lai kalibrētu vietējos VI robežvērtības konkrētiem hibrīdiem, augsnēm un pārvaldības sistēmām.

5. Laikrindu analīzes izmantošana

Viens VI attēls ir momentuzņēmums. Attēlu laikrinda no parādīšanās līdz briedumam ir vesels stāsts. Indeksa vērtību attēlošana laika gaitā atklāj augšanas trajektorijas, kas identificē stresa notikumus pēc to rašanās datuma, smaguma pakāpes un ilguma. Laikrindu dati ļauj arī salīdzināt pašreizējo sezonu ar vēsturiskiem kritērijiem, sniedzot kontekstu, ko viena datuma attēli nevar sniegt.

Kukurūzas augšanas uzraudzības nākotnes tendences

1. Mākslīgais intelekts

Mākslīgā intelekta algoritmi arvien vairāk tiek piemēroti veģetācijas indeksa datiem, lai automatizētu interpretācijas uzdevumus, kuriem pašlaik nepieciešams agronoma vērtējums. Dziļās mācīšanās modeļi, kas apmācīti ar lieliem VI datu kopumiem, var dažu sekunžu laikā klasificēt stresa veidu, smagumu un telpisko izplatību no multispektrāliem attēliem, atzīmējot zonas, kurās nepieciešama rīcība agronoma pārskatīšanai, nevis pieprasot pilnīgu katra attēla manuālu analīzi.

Mākslīgais intelekts lauksaimniecības tirgū tika novērtēts par 2,1 miljards ASV dolāru 2023. gadā, un tiek prognozēts, ka līdz 2032. gadam tā pieaugs ar vidējo gada pieauguma tempu (CAGR) vairāk nekā 241 TP3 triljonu apmērā. (GMI, 2025), kas atspoguļo to, cik ātri šī spēja tiek komercializēta.

2. Mašīnmācīšanās modeļi

Daudzindeksu un daudzlaiku datu kopām pielietotie Random Forest, XGBoost un konvolucionālie neironu tīkli (CNN) pastāvīgi pārspēj tradicionālos uz regresiju balstītos VI-ienesīguma modeļus.

Pētījums, kurā izmantotas gradienta pastiprināšanas iekārtas (GBM) kukurūzas ražas prognozēšanai, ir pabeigts. R² vērtības 0,78 integrējot VI laika rindas ar meteoroloģiskajiem datiem, pārspējot vienkāršākas regresijas pieejas.

Šie modeļi apgūst sarežģītas, nelineāras attiecības starp spektrālajiem modeļiem un agronomiskajiem rezultātiem, ko lineārie modeļi nevar aptvert.

3. Hiperspektrālā attēlveidošana

Hiperspektrālie sensori vienlaikus uztver atstarošanas datus simtiem šauru spektra joslu, salīdzinot ar piecām līdz desmit joslām, ko izmanto tipiskas multispektrālās kameras. Šis spektrālais blīvums ļauj noteikt kultūraugu stresa signālus, kas ietilpst šauros spektra logos, kas nav redzami platjoslas sensoriem.

Kukurūzai tiek aktīvi validēti hiperspektrālie indeksi slimību noteikšanai, smago metālu stresa un mikroelementu deficīta noteikšanai, un komerciālās bezpilota lidaparātu (UAV) hiperspektrālās sistēmas kļūst arvien pieejamākas.

4. Kultūraugu uzraudzība reāllaikā

Sensoru miniaturizācijas, satelītu zvaigznāja paplašināšanas un 5G savienojamības kombinācija virzās uz kultūraugu stāvokļa uzraudzību reāllaikā, kur VI dati ir pieejami nepārtraukti augšanas sezonā, nevis reizi nedēļā vai divās nedēļās.

Planet Labs ikdienas satelītu atkārtotu apmeklējumu biežums un lietu interneta (IoT) iespējotu lauka sensoru izvietošana, kas straumē datus uz mākoņplatformām, jau nodrošina gandrīz reāllaika uzraudzības iespējas pirmajiem lietotājiem.

DJI dronu bāzes tālizpētes sistēmas ir ziņojušas par 67,78% ķīmisko ievades apjomu samazinājums kad no VI datiem iegūtās recepšu kartes tiek izmantotas mainīgas devas izsmidzināšanas sistēmām (Mordor Intelligence, 2026).

5. Integrācija ar precīzās lauksaimniecības sistēmām

Nākamais solis kukurūzas vistas piesārņojuma monitoringā ir nemanāma integrācija starp datu ieguvi, apstrādi, interpretāciju un darbībām uz lauka. Mākonī balstītas saimniecību pārvaldības platformas jau tagad tieši savieno satelītu un dronu attēlu plūsmas ar mainīgas devas kontrollera programmatūru, samazinot laiku no datu ieguves līdz darbībām uz lauka no dienām līdz stundām.

Tā kā attēlu nodrošinātāju, agronomiskās programmatūras un lauksaimniecības tehnikas API kļūst standartizētas, darbplūsma no “drona lidojuma” līdz “mainīgas devas receptes piemērošanai” kļūs pieejama ražotājiem visos līmeņos.

Biežāk uzdotie jautājumi

Kurš veģetācijas indekss ir vislabākais kukurūzai?
Neviens atsevišķs indekss nav universāli labākais. NDRE vislabāk darbojas slāpekļa novērtēšanā, SAVI agrīnās stadijas monitoringā, EVI blīvu vainagu apstākļos un NDVI vispārējās biomasas un ražas korelācijā. Apvienojot divus vai trīs indeksus, kas pielāgoti monitoringa mērķim, konsekventi pārspēj jebkuru atsevišķu indeksu.

Cik bieži jāuzrauga veģetācijas indeksi?
Pilnas sezonas kukurūzas audzēšanai ieteicams monitoringa intervāls ik pēc 7 līdz 14 dienām V4 līdz R3 periodā. Kritiskie lēmumu pieņemšanas logi (V6 slāpeklim, VT stresa novērtēšanai, R3 apūdeņošanai) attaisno lidojumus vai satelītu datu iegūšanu neatkarīgi no standarta monitoringa grafika.

Kurš veģetācijas indekss vislabāk darbojas agrīnās kukurūzas augšanas laikā?
SAVI un MSAVI vislabāk darbojas no dīgšanas perioda līdz V4, jo tie samazina atsegtas augsnes ietekmi uz indeksa vērtību, iegūstot jēgpilnus vainaga mērījumus pat tad, ja zemsedzes līmenis ir zem 30%.

Vai veģetācijas indeksi var atklāt slimību pirms simptomu parādīšanās?
Pētījumi liecina, ka lapotnes slimības maina inficēto lapu spektrālo signatūru, pirms parādās redzami bojājumi. Sarkanās malas indeksi ir visjutīgākie agrīnai slimības noteikšanai, jo tie reaģē uz hlorofila degradāciju inficētajos audos. Noteikšanas laiks ir atkarīgs no slimības veida un smaguma pakāpes, taču kontrolētos pētījumos ir pierādīta agrīna atklāšana 5 līdz 10 dienas pirms vizuālo simptomu parādīšanās.

Secinājums

Veģetācijas indeksi kukurūzas augšanas monitoringam ir krietni pārsnieguši pētniecisko ziņkāri. Tagad tie ir praktiski, lauka apstākļos pārbaudīti rīki, kas dod lauksaimniekiem un agronomiem iespēju redzēt kultūraugu stresu, slāpekļa deficītu un ražu ierobežojošus apstākļus nedēļas pirms šīs problēmas kļūst redzamas un pirms tās izraisa neatgriezeniskus ražas zudumus. Pareizā indeksa izvēle katrai augšanas stadijai nav mazsvarīga tehniska detaļa; tā ir atšķirība starp reālas problēmas atklāšanu un maldinošu datu ģenerēšanu. Vairāku indeksu — NDRE slāpeklim, EVI blīvas vainaga biomasai, NDWI ūdens stāvoklim — apvienošana sniedz diagnostisku ainu, ko nevar sniegt neviens atsevišķs mērījums. Šī spektrālā attēla integrēšana ar fiziskajiem lauka novērojumiem pamato datus agronomiskajā realitātē un novērš nepareizu interpretāciju, kas rodas, paļaujoties tikai uz tālizpēti.