Індекси вегетації дистанційного зондування трансформують прогнозування врожайності картоплі

Картопля є однією з найважливіших продовольчих культур у світі, яка служить основним продуктом харчування для мільйонів людей. По-перше, знання того, як ростуть рослини картоплі, та здатність прогнозувати їхню врожайність допомагає фермерам ефективніше керувати зрошенням, удобренням та боротьбою зі шкідниками.

По-друге, переробники харчових продуктів та складські приміщення можуть краще планувати логістику та робочу силу, маючи надійні оцінки врожайності. Однак традиційні методи, такі як фізичне обходження полів та вимірювання рослин вручну, є трудомісткими та схильними до людських помилок.

Тому вчені звернулися до дистанційного зондування, яке використовує камери та датчики на супутниках, дронах або портативних пристроях, щоб швидше та точніше контролювати ріст картоплі та прогнозувати врожайність.

Розуміння прогнозів врожайності картоплі

Протягом останніх двох десятиліть інтерес до застосування дистанційного зондування в дослідженнях картоплі значно зріс. Фактично, систематичний огляд виявив 79 досліджень, опублікованих між 2000 і 2022 роками на цю тему, з 482 спочатку перевірених статей.

Щоб забезпечити прозорість та відтворюваність, автори дотримувалися встановлених рекомендацій (Kitchenham & Charters 2007; PRISMA framework), здійснюючи пошук у восьми основних базах даних — Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis та SpringerLink — використовуючи такі терміни, як “прогнозування врожайності картоплі” ТА “дистанційне зондування”.”

Відповідно, було включено лише оригінальні дослідження англійською мовою, які використовували дані дистанційного зондування для моніторингу росту або оцінки врожайності. Крім того, дані з кожної вибраної статті були вилучені відповідно до чотирьох ключових питань:

• Яку зондувальну платформу було використано (супутникову, БПЛА чи наземну)?
• Які індекси рослинності або спектральні ознаки були оцінені?
• Які характеристики культури контролювалися (біомаса, площа листя, хлорофіл, азот)?
• Наскільки точно можна передбачити кінцевий урожай бульб (коефіцієнт детермінації, R²)?

Ці питання допомогли рецензентам окреслити сучасний стан справ та виявити прогалини, на яких можна зосередити майбутні дослідження.

Платформи дистанційного зондування та індекси рослинності

Дослідники використовували три основні типи платформ дистанційного зондування, кожна з яких має свої переваги та обмеження. По-перше, оптичні супутники, такі як Sentinel‑2 (просторова роздільна здатність 10 м, 5-денний повторний огляд) та Landsat 5–8 (30 м, 16-денний повторний огляд), пропонують широке покриття та часто безкоштовний доступ до даних.

По-друге, супутники, такі як MODIS/TERRA/Aqua (250–1000 м, щоденний або дводенний повторний огляд) та комерційні системи, такі як PlanetScope (3 м, щоденно, вартість близько $218 на 100 км²), дозволяють проводити частіший або з вищою роздільною здатністю моніторинг, хоча витрати можуть бути важливим фактором.

По-третє, безпілотні літальні апарати (БПЛА) з мультиспектральними або гіперспектральними камерами забезпечують дуже високу роздільну здатність (до кількох сантиметрів на піксель) і можуть використовуватися на вимогу, але вони охоплюють менші площі та потребують більшої логістики.

Зрештою, наземні датчики, такі як портативні вимірювачі NDVI та вимірювачі хлорофілу SPAD, забезпечують точкові вимірювання з високою точністю, хоча вони й займають багато часу при використанні на великих полях.

Індекси рослинності (ВІ) перетворюють необроблені значення відбивної здатності на змістовні оцінки характеристик рослин. Найпоширеніші індекси в дослідженнях картоплі включають:

• NDVI (Нормалізований індекс різниці рослинності): (БІР – червоний) / (БІР + червоний)
• GNDVI (зелений NDVI): (ближній інфрачервоний діапазон – зелений) / (ближній інфрачервоний діапазон + зелений)
• NDRE (Нормалізована різниця червоного краю): (БІЧ – червоний край) / (БІЧ + червоний край)
• OSAVI (Оптимізований індекс рослинності з урахуванням ґрунту): 1,16 × (ближній інфрачервоний діапазон – червоний) / (ближній інфрачервоний діапазон + червоний + 0,16)
• EVI (Покращений індекс рослинності), CIred‑edge (червоний край), CIgreen (зелений) та інші. .

Ці індекси обираються на основі їхньої чутливості до покриву пологу, вмісту хлорофілу та ґрунтового фону. Отже, вони слугують основою для оцінки здоров'я рослин та прогнозування врожайності.

Моніторинг росту картоплі та прогнозування врожайності

За допомогою дистанційного зондування дослідники відстежують ключові характеристики врожаю картоплі — надземну біомасу (AGB), індекс площі листя (LAI), вміст хлорофілу в полозі (CCC) та стан азоту в листках — а потім пов'язують ці показники з кінцевим урожаєм бульб.

По-перше, оцінка AGB (загальнодобувної гібридизації) лише за допомогою VI може бути складною, коли покрив пологу щільний, оскільки багато індексів насичуються; тому поєднання VI з висотою рослин або текстурними характеристиками в моделях машинного навчання часто підвищує точність.

По-друге, оцінка LAI — загальної площі листя з одного боку на ділянку землі — досягла значень R² до 0,84 за допомогою даних часових рядів як гіперспектральних БПЛА, так і супутникових мультиспектральних датчиків.

По-третє, оцінки CCC, отримані з таких індексів, як CIred‑edge, CIgreen, TCARI/OSAVI та TCARI + OSAVI, досягли R² ≈ 0,85 протягом вегетативної стадії, що вказує на сильну кореляцію з лабораторно виміряним хлорофілом.

Нарешті, стан азоту в листках, життєво важливий для здорового росту, був прогнозований з R² у діапазоні від 0,52 до 0,95 при використанні наземних датчиків плюс регресійні або випадкові лісові моделі.

Коли йдеться про прогнозування врожайності бульб, виділяються два основні підходи до моделювання:

Моделі емпіричної регресії: Тут один VI — найчастіше NDVI, GNDVI або NDRE — підганяється до еталонних даних врожайності. Зазначені значення R² для NDVI відносно врожайності коливаються від 0,23 до 0,84 (медіана ≈ 0,67), тоді як кореляція NDRE–врожайність коливається від 0,12 до 0,85 (медіана ≈ 0,61).

Моделі машинного навчання: до них належать випадковий ліс, методи опорних векторів та нейронні мережі, що поєднують кілька ВІ, спектральні діапазони та неспектральні фактори, такі як погода, ґрунт та управління. У деяких дослідженнях такі моделі підвищили R² до 0,93.

Більше того, час збору даних значно впливає на точність прогнозування. У численних дослідженнях вимірювання ВІ, проведені через 36–55 днів після посадки (DAP), показали найвищу кореляцію з кінцевим урожаєм бульб.

Ця стадія збігається з максимальним покривом ґрунту та початком утворення бульб, що робить структуру рослини найбільш індикаторною для кінцевого врожаю. Деякі ключові статистичні дані:

• 79 досліджень (2000–2022) відповідали критеріям огляду з 482 виявлених.
• Фокусні області: прогнозування врожайності (37 %), рівень азоту в листках (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Найбільш використовувані супутникові платформи: Sentinel‑2, Landsat, MODIS; комерційні: PlanetScope.
• Діапазон R²: NDVI – вихід (0,23–0,84), NDRE – вихід (0,12–0,85), GNDVI – вихід (0,26–0,75).

Рекомендації щодо прогнозування врожайності картоплі

Ґрунтуючись на цих висновках, фахівці повинні спочатку вибрати відповідну платформу для своїх цілей. Для регіональних прогнозів врожайності безкоштовні дані Sentinel‑2 забезпечують надійне покриття з роздільною здатністю 10 м та 5-денним графіком повторних відвідувань.

Для уточнення локальних оцінок, польоти БПЛА, заплановані приблизно через 36–55 днів після посадки, фіксують критичну динаміку крони та покращують калібрування супутникових моделей. Наземні датчики найкраще використовувати для вибіркових перевірок та калібрування дистанційних спостережень, особливо при поєднанні спектральних даних з польовими вимірюваннями.

Щодо вегетаційних індексів, фахівці повинні надавати пріоритет NDVI, NDRE та CI _red-edge для прогнозування кінцевої врожайності, оскільки вони постійно демонструють сильну кореляцію.

Під час оцінки вмісту хлорофілу та азоту, поєднання індексів червоного краю з скоригованими за ґрунтом показниками вібрації (ВІ), такими як TCARI/OSAVI, дає найточніші результати. Для оцінки біомаси інтеграція ВІ з висотою рослин або характеристиками текстури в рамках машинного навчання ще більше підвищує точність.

Що стосується моделювання, прості лінійні або нелінійні регресії з використанням одного індексу є ефективними, коли наземні дані обмежені. Однак, коли доступні кілька індексів та допоміжні дані (погода, ґрунт, управління), методи машинного навчання, такі як випадковий ліс або нейронні мережі, забезпечують чудову продуктивність. Важливо, що час отримання зображень приблизно через 36–55 днів після посадки є вирішальним, оскільки це вікно постійно забезпечує найвищу точність прогнозування.

Висновок

На завершення, дистанційне зондування пропонує швидкий, гнучкий та точний інструментарій для моніторингу росту картоплі та прогнозування врожайності бульб. Вибираючи відповідну платформу, найбільш інформативні вегетаційні індекси, встановлюючи час збору даних приблизно на 36–55 днів після літнього віку та застосовуючи відповідні методи моделювання, дослідники та практики можуть значно покращити прогнози врожайності.

Такий підхід не лише заощаджує час, але й сприяє прийняттю більш розумних управлінських рішень, що зрештою приносить користь фермерам, агрономам та всьому ланцюжку постачання картоплі.

Посилання: Mukiibi, A., Machakaire, ATB, Franke, AC. та ін. Систематичний огляд вегетаційних індексів для моніторингу росту картоплі та прогнозування врожайності бульб за допомогою дистанційного зондування. Картопляні дослідження. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7