- Код статьи
- S3034582025050023-1
- DOI
- 10.7868/S3034582025050023
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 5
- Страницы
- 7-10
- Аннотация
- Исследование проводили с целью разработки модели сезонной динамики индекса NDVI посевов ярового ячменя. Работу выполняли в 2015–2021 гг. в Ленинградской области. Сравнение результатов фактических измерений NDVI в период вегетации с данными модели позволил контролировать и при необходимости корректировать состояние посевов агро-технологическими приемами. Измерения осуществляли 1 раз в неделю на постоянных учетных площадках в двух полевых экспериментах. Динамика NDVI для опытов с возделыванием ярового ячменя в смеси с многолетними травами и в чистом виде была различной. В первом случае максимальную его величину отмечали на 28-й неделе с начала года, во втором – на 25-й неделе. Обозначенное различие было связано с влиянием многолетних трав, нарастание надземной массы которых нивелировало последствия проводимых в опытах гербицидных обработок. Модели сезонной динамики NDVI, построенные по средним многолетним данным, оказались более надежными для общего анализа, чем одногодичные, поскольку в них снижалось влияние случайных факторов. В обоих случаях моделирования изменчивости сезонного хода индекса применительно к обоим опытам с возделыванием ярового ячменя хорошие результаты были получены при использовании полиномиальной функции 2-й степени (R = 0,97 и 0,80, p = 0,00003 и 0,008). При этом усложнение модели до полинома 3-й степени приводило к повышению точности (R = 0,92) и достоверности прогноза (p = 0,004) только для второго опыта. В моделях, описывающих сезонную динамику NDVI в отдельно взятые годы, более высокая точность также соответствовала полиному 2-й степени.
- Ключевые слова
- яровой ячмень ( L.) индекс NDVI сезонная динамика эмпирические модели полиномиальная функция
- Дата публикации
- 01.05.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 49
Библиография
- 1. Ерошенко Ф. В., Сторчак И. Г., Шестакова Е. О. Связь вегетационного индекса NDVI с содержанием хлорофилла в растениях озимой пшеницы // Аграрный вестник Урала. 2018. № 4 (171). С. 2. doi: 10.25930/1se7‑wj26.
- 2. Использование NDVI для определения содержания азота в растениях озимой пшеницы в условиях Ставропольского края / И. Г. Сторчак, И. В. Чернова, Ф. В. Ерошенко и др. // Аграрный вестник Урала. 2019. № 12 (191). С. 19–30. doi: 10.32417/1997‑4868‑2019‑191‑12‑19‑30.
- 3. Корреляционные зависимости между вегетационными индексами, урожаем зерна и оптическими характеристиками листьев пшеницы при разном содержании в почве азота и густоте посева / В. П. Якушев, Е. В. Канаш, Д. В. Русаков и др. // Сельскохозяйственная биология. 2022. Т. 57. № 1. С. 98–112. doi: 10.15389/agrobiology.2022.1.98rus.
- 4. Экспериментальная оценка распознаваемости агрокультур по данным сезонных спутниковых измерений спектральной яркости / Д. Е. Плотников, С. А. Барталев, В. О. Жарко и др. // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8. № 1. С. 199–208.
- 5. The effect of NDVI time series density derived from spatiotemporal fusion of multisource remote sensing data on crop classification accuracy / R. Sun, S. Chen, H. Su, et al. // ISPRS International Journal of Geo‑Information. 2019. Vol. 8. No. 11. P. 502. URL: https://www.mdpi.com/2220-9964/8/11/502 (дата обращения: 20.01.2025). doi: 10.3390/ijgi8110502.
- 6. Murmu S., Biswas S. Application of fuzzy logic and neural network in crop classification: a review // Aquatic Procedia. 2015. Vol. 4. P. 1203–1210. doi: 10.1016/j.aqpro.2015.02.153.
- 7. Павлова М. А., Сидорчук Д. С., Бочаров Д. А. Классификация сельскохозяйственных культур на основе анализа временных рядов вегетационного индекса c понижением их размерности // Сенсорные системы. 2023. Т. 37. № 2. С. 171–180. doi: 10.31857/S023500922302004X.
- 8. Использование вегетативного индекса NDVI для прогноза урожайности зерновых культур / С. А. Родимцев, Н. Е. Павловская, С. В. Вершинин и др. // Вестник НГАУ (Новосибирский государственный аграрный университет). 2022. № 4 (65). С. 56–67. doi: 10.31677/2072‑6724‑2022‑65‑4‑56‑67.
- 9. Сторчак И. Г., Ерошенко Ф. В. Использование дистанционных методов для мониторинга формирования урожая ярового ячменя // Аграрный научный журнал. 2020. № 11. С. 58–61. doi: 10.28983/asj.y2020i11pp58‑61.
- 10. Фесенко М. А., Шпанев А. М. Изучение возможностей использования вегетационного индекса NDVI для прогноза урожайности ярового ячменя в условиях Северо‑Запада России // Агрофизика. 2023. № 3. С. 36–41. doi: 10.25695/AGRPH.2023.03.05.
- 11. Модели продукционного процесса сельскохозяйственных растений для анализа элементов систем земледелия / В. Л. Баденко, А. Г. Топаж, С. А. Медведев и др. // Таврический вестник аграрной науки. 2021. № 1 (25). С. 8–27. doi:10.33952/2542‑0720‑2021‑1‑25‑8‑27.
- 12. Влияние различных по размеру фракций доломита на показатели почвенной кислотности легкосуглинистой дерново‑подзолистой почвы (эмпирические модели процесса подкисления) / А. В. Литвинович, А. В. Лаврищев, В. М. Буре и др. // Агрохимия. 2017. № 12. С. 27–37. doi: 10.7868/S0002188117120055.
- 13. Оптимальные эмпирические модели динамических систем с внешними воздействиями: общий подход и примеры из климата / Д. Н. Мухин, А. Ф. Селезнев, А. С. Гаврилов и др. // Известия высших учебных заведений. Прикладная нелинейная динамика. 2021. Т. 29. № 4. С. 571–602. doi: 10.18500/0869‑6632‑2021‑29‑4‑571‑602.
- 14. Шпанев А. М., Петрушин А. Ф. Методологические основы изучения оптических характеристик фитосанитарного состояния посевов // Агрофизика. 2017. № 4. С. 48–57.
