Рослинництво та ґрунтознавство

Сортові спектральні відміни рослин пшениці озимої за даними супутникового моніторингу

Наталія Пасічник, Ольга Дмитренко, Максим Петренко
Завантажити статтю
Анотація

Стаття відобразила результати вивчення спектральних особливостей рослин пшениці озимої різних сортів, що є складовою імплементації традиційних технологій дистанційного моніторингу в технології прецизійного агровиробництва. В основу покладені емпіричні дані визначення характерних спектральних характеристик різних сортів та оцінка їх із використанням даних дистанційного зондування Землі (ДЗЗ). Метою роботи було встановити можливість ідентифікації сортових відмін пшениці озимої за спектральними характеристиками рослин, отриманими із відкритих джерел даних супутникового моніторингу. Для цього використовувались відкриті дані супутника Sentinel-2, які забезпечили порівняно високі просторову та спектральну роздільність. Аналіз охоплював ключові періоди вегетації пшениці, а спектральні відмінності досліджувались за допомогою адитивної колірної моделі RGB і вегетаційних індексів SAVI (soil-adjusted vegetation index), NDVI (normalised difference vegetation index), ARVI (atmospherically resistant vegetation index). Результати дослідження свідчили про наявність істотних спектральних розбіжностей між сортами пшениці озимої, що зумовлені їхньою генетичною різноманітністю та реакцією на агроекологічні умови. Встановлено, що спектральні профілі та індекси фотосинтетичної активності різних сортів корелювали з показниками продуктивності та стійкості до біотичних і абіотичних стресів. Отримані дані дозволили не лише диференціювати сорти пшениці за спектральними характеристиками, а й використовувати для побудови моделей прогнозування врожайності, оцінювання адаптивних властивостей в умовах змін клімату. Показано інформативність супутникових даних для оптимізації технологій вирощування пшениці озимої, підвищення ефективності селекційних програм. Такі дослідження є перспективними у розвитку технологій прецизійного агровиробництва, забезпечуючи оперативність та об’єктивність оцінки стану посівів на великих площах, відстеження фенології конкретного сорту пшениці, а також у селекційних дослідженнях

Ключові слова

озимі зернові культури; сортові відміни; дистанційний моніторинг агрофітоценозів; вегетаційні індекси; спектральні характеристики рослин

ЦИТУВАТИ
Pasichnyk, N., Dmytrenko, O., & Petrenko, M. (2025). Varietal spectral differences in winter wheat plants according to satellite monitoring data. Plant and Soil Science, 16(4), 57-70. https://doi.org/10.31548/plant4.2025.57
Використані джерела
  1. Akumaga, U., Gao, F., Anderson, M., Dulaney, W.P., Houborg, R., Russ, A., & Hively, W.D. (2023). Integration of remote sensing and field observations in evaluating DSSAT model for estimating maize and soybean growth and yield in Maryland, USA. Agronomy, 13(6), article number 1540. doi: 10.3390/agronomy13061540.  
  2. Aranguren, M., Castellón, A., & Aizpurua, A. (2020). Crop sensor based non-destructive estimation of nitrogen nutritional status, yield, and grain protein content in wheat. Agriculture, 10(5), article number 148. doi: 10.3390/agriculture10050148.
  3. Cai, W., Tian, J., Li, X., Zhu, L., & Chen, B. (2022). A new multiple phenological spectral feature for mapping winter wheat. Remote Sensing, 14(18), article number 4529. doi: 10.3390/rs14184529.
  4. Camino, C., González-Dugo, V., Hernández, P., Sillero, J.C., & Zarco-Tejada, P.J. (2018). Improved nitrogen retrievals with airborne-derived fluorescence and plant traits quantified from VNIR-SWIR hyperspectral imagery in the context of precision agriculture. International Journal of Applied Earth Observation and Geoinformation, 70, 105-117. doi: 10.1016/j.jag.2018.04.013.
  5. Campoy, J., Campos, I., Villodre, J., Bodas, V., Osann, A., & Calera, A. (2023). Remote sensing-based crop yield model at field and within-field scales in wheat and barley crops. European Journal of Agronomy, 143, article number 126720. doi: 10.1016/j.eja.2022.126720.
  6. Cann, D.J., Hunt, J.R., Porker, K.D., Harris, F.A.J., Rattey, A., & Hyles, J. (2023). The role of phenology in environmental adaptation of winter wheat. European Journal of Agronomy, 143, article number 126686. doi: 10.1016/j.eja.2022.126686.
  7. Convention on Biological Diversity. (1992, June). Retrieved from https://www.cbd.int/doc/legal/cbd-en.pdf.
  8. Convention on the Trade in Endangered Species of Wild Fauna and Flora. (1976, March). Retrieved from https://treaties.un.org/doc/publication/unts/volume%20993/volume-993-i-14537-english.pdf.
  9. EOS data analytics. (n.d.). Retrieved from https://eos.com.
  10. Google Earth. (n.d.). Retrieved from https://earth.google.com/web/.
  11. Hu, N., Li, W., Du, C., Zhang, Z., Gao, Y., Sun, Z., Yang, L., Yu, K., Zhang, Y., & Wang, Z. (2021). Predicting micronutrients of wheat using hyperspectral imaging. Food Chemistry, 343, article number 128473. doi: 10.1016/j.foodchem.2020.128473.
  12. Liu, L., Cao, R., Chen, J., Shen, M., Wang, S., Zhou, J., & He, B. (2022). Detecting crop phenology from vegetation index time-series data by improved shape model fitting in each phenological stage. Remote Sensing of Environment, 277, article number 113060. doi: 10.1016/j.rse.2022.113060.
  13. Liu, X., Wu, X., Peng, Y., Mo, J., Fang, S., Gong, Y., Zhu, R., Wang, J., & Zhang, C. (2023). Application of UAV-retrieved canopy spectra for remote evaluation of rice full heading date. Science of Remote Sensing, 7, article number 100090. doi: 10.1016/j.srs.2023.100090.
  14. Lyu, X., Du, W., Zhang, H., Ge, W., Chen, Z., & Wang, S. (2024). Classification of different winter wheat cultivars on hyperspectral UAV imagery. Applied Sciences, 14(1), article number 250. doi: 10.3390/app14010250.
  15. Ma, J., Zheng, B., & He, Y. (2022). Applications of a hyperspectral imaging system used to estimate wheat grain protein: A review. Frontiers in Plant Science, 13, article number 837200. doi: 10.3389/fpls.2022.837200.
  16. Memon, M.S., Chen, S., Niu, Y., Zhou, W., Elsherbiny, O., Liang, R., Du, Z., & Guo, X. (2023). Evaluating the efficacy of Sentinel-2B and Landsat-8 for estimating and mapping wheat straw cover in rice-wheat fields. Agronomy, 13(11), article number 2691. doi: 10.3390/agronomy13112691.
  17. Opryshko, O., Pasichnyk, N., Kiktev, N., Dudnyk, A., Hutsol, T., Mudryk, K., Herbut, P., Łyszczarz, P., & Kukharets, V. (2024). European green deal: Satellite monitoring in the implementation of the concept of agricultural development in an urbanized environment. Sustainability, 16(7), article number 2649. doi: 10.3390/su16072649.
  18. Pancorbo, J.L., Quemada, M., Raya-Sereno, M.D., Gioli, B., Beck, P.S.A., & Camino, C. (2025). Integrating artificial neural network-PROSAIL with Sentinel-2 to monitor crop traits dynamics and nitrogen status. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 18, 17770-17786. doi: 10.1109/JSTARS.2025.3585080.
  19. Revill, A., Florence, A., MacArthur, A., Hoad, S.P., Rees, R.M., & Williams, M. (2019). The value of Sentinel‑2 spectral bands for the assessment of winter wheat growth and development. Remote Sensing, 11(17), article number 2050. doi: 10.3390/rs11172050.  
  20. Shi, Y., Han, L., González-Moreno, P., Dancey, D., Huang, W., Zhang, Z., Liu, Y., Huang, M., Miao, H., & Dai, M. (2023). A fast Fourier convolutional deep neural network for accurate and explainable discrimination of wheat yellow rust and nitrogen deficiency from Sentinel-2 time series data. Frontiers in Plant Science, 14, article number 1250844. doi: 10.3389/fpls.2023.1250844.
  21. Song, G., et al. (2022). Monitoring leaf phenology in moist tropical forests by applying a superpixel-based deep learning method to time-series images of tree canopies. ISPRS Journal of Photogrammetry and Remote Sensing, 183, 19-33. doi: 10.1016/j.isprsjprs.2021.10.023.
  22. Sun, D., Zhang, L., Li, H., Lan, W., Tu, K., Liu, J., & Pan, L. (2025). Non-destructive prediction of the moisture content of individual wheat kernels combining hyperspectral imaging and WGAN data augmentation algorithm. Food Research International, 212, article number 116498. doi: 10.1016/j.foodres.2025.116498.
  23. Tarariko, O.G., Syrotenko, O.V., Ilyenko, T.V., & Kuchma, T.L. (2019). Agroecological satellite monitoring. Kyiv: Agricultural Science. doi: 10.5281/zenodo.3492936.  
  24. Vincke, D., Mercatoris, B., Eylenbosch, D., Baeten, V., & Vermeulen, P. (2022). Assessment of kernel presence in winter wheat ears at spikelet scale using near-infrared hyperspectral imaging. Journal of Cereal Science, 106, article number 103497. doi: 10.1016/j.jcs.2022.103497.
  25. Wang, Y., Ou, X., He, H.-J., & Kamruzzaman, M. (2024). Advancements, limitations and challenges in hyperspectral imaging for comprehensive assessment of wheat quality: An up-to-date review. Food Chemistry: X, 21, article number 101235. doi: 10.1016/j.fochx.2024.101235.
  26. Xie, Y., Plett, D., Evans, M., Garrard, T., Butt, M., Clarke, K., & Liu, H. (2024). Hyperspectral imaging detects biological stress of wheat for early diagnosis of crown rot disease. Computers and Electronics in Agriculture, 217, article number 108571. doi: 10.1016/j.compag.2023.108571.
  27. Zhang, R., et al. (2024). PhenoNet: A two-stage lightweight deep learning framework for real-time wheat phenophase classification. ISPRS Journal of Photogrammetry and Remote Sensing, 208, 136-157. doi: 10.1016/j.isprsjprs.2024.01.006.
  28. Zvonar, A. (2020). Influence of weather conditions of the year and variety features on nitrogen consumption and formation of winter wheat grain quality. Ukrainian Black Sea Region Agrarian Science, 24(3), 87-95. doi: 10.31521/2313-092X/2020-3(107)-11.