Оцінювання кліматичної пластичності багаторічної зернової культури Kernza (Thinopyrum intermedium) в умовах півдня України за даними спектральних вегетаційних індексів

А.В. Панфілова; Д.Л. Кошкін

doi:10.32848/agrar.innov.2026.35.35

А.В. Панфілова Миколаївський національний аграрний університет https://orcid.org/0000-0003-0006-4090
Д.Л. Кошкін Миколаївський національний аграрний університет https://orcid.org/0000-0002-6927-8487

DOI: https://doi.org/10.32848/agrar.innov.2026.35.35

Ключові слова: Kernza (Thinopyrum intermedium), температура повітря, опади, спектральні вегетаційні індекси NDVI, NDMI, NDRE

Анотація

Мета. Обґрунтування підходу до інтеграції спектральних вегетаційних індексів Sentinel-2 (NDVI, NDMI, NDRE) та агрометеорологічних показників для оцінки росту і розвитку рослин Kernza в період водно-теплового стресу в умовах півдня України. Методи. Методи дешифрування космічних знімків та польові дослідження виконувалися відповідно до сучасних вимог і стандартів дослідної справи в агрономії та точному землеробстві. Результати. Встановлено, що погодні умови обох років характеризувалися значною мінливістю та відхиленням від середньобагаторічних показників. У 2024 р. помірні температури та достатнє зволоження навесні сприяли активному кущінню й формуванню стеблостою, тоді як літня аномальна спека (до 39 – 42°С) і дефіцит опадів зумовили розвиток ґрунтово-повітряної посухи та пригнічення ростових процесів. У 2025 р. тепла зима забезпечила сприятливу перезимівлю посівів, а весняний період сприяв інтенсивному наростанню біомаси, проте тривалий бездощівний період улітку (понад 68 днів) призвів до глибокого водного стресу рослин. Динаміка спектральних вегетаційних індексів NDVI, NDMI та NDRE узгоджується з фазами розвитку рослин (BBCH) і змінами погодних умов. Максимальні значення NDVI (0,628 – 0,691) зафіксовано у фазах активного кущіння та видовження стебла, мінімальні (до 0,261) – у період дозрівання за умов посухи. Індекс NDMI відобразив ступінь вологозабезпеченості посівів і розвиток водного стресу, тоді як NDRE засвідчив загалом достатній рівень азотного живлення рослин. Висновки. Агрокліматичні умови 2024 – 2025 рр. на півдні України були нетиповими та суттєво впливали на ріст і розвиток рослин Kernza. У 2024 р. сприятлива весна забезпечила активне кущіння (NDVI 0,628 – 0,646), тоді як літня спека (до 39 – 42 °С) спричинила водний стрес і зниження NDVI до 0,468 та NDMI до -0,002. У 2025 р. тепла зима та сприятлива весна зумовили інтенсивне наростання біомаси рослин (NDVI 0,668 – 0,691), однак тривала літня посуха (понад 68 днів) призвела до глибокого стресу (NDVI 0,261; NDMI -0,116). Осінні умови обох років сприяли відновленню вегетації. Встановлено тісний взаємозв’язок між агрокліматичними чинниками та спектральними показниками стану посівів Kernza. Отримані результати підтверджують доцільність використання спектральних вегетаційних індексів для оперативного моніторингу фізіологічного стану рослин і оцінки впливу погодних умов на формування їх продуктивності.

Посилання

1. Корнійчук Т. Напрями адаптації до змін клімату, технологій вирощування сільськогосподарських культур. Кліматичні зміни та сільське господарство. Виклики для аграрної науки та освіти : збірник матеріалів VІІ Міжнародної науково-практичної конференції, 27 березня 2024 р., Науково-методичний центр ВФПО. – Київ, 2024. С. 16 – 19.
2. Crews T. E., Carton W., Olsson L. Is the future of agriculture perennial? Imperatives and opportunities to reinvent agriculture by shifting from annual monocultures to perennial polycultures. Global Sustainability. 2018. 1. e11. https://doi.org/10.1017/sus.2018.11
3. Ryan M. R., Crews T. E., Culman S. W., DeHaan L. R., Hayes R. C., Jungers J. M., Bakker M. G. Managing for multifunctionality in perennial grain crops. Bioscience. 2018. 68(4). Р. 4–304. https://doi.org/10.1093/biosci/biy014.
4. Zhang S., Huang G., Zhang Y., Lv X., Wan K., Liang J., Feng Y., Dao J., Wu S., Zhang L., Yang X., Lian X., Huang L., Shao L., Zhang J., Qin S., Tao D., Crews T. E., Sacks E. J., Hu, F. Sustained productivity and agronomic potential of perennial rice. Nature Sustainability. 2023. 6. Р. 28-38. https://doi.org/10.1038/s41893-022-00997-3
5. Marti A., Qiu X., Schoenfuss T. C., Seetharaman K. Characteristics of perennial ryegrass (Thinopyrum intermedium) and a blend of refined wheat flour: effect on rheological properties. Cereal chemistry. 2015. № 92. Р. 34–440. https://doi.org/10.1094/CCHEM-01-15-0017-R.
6. Кургак В., Крюс Т., Ворнер Р., Сарунайте Л., Ткаченко М., Коломієць Л., Ткаченко А. Неймет І. Перспективи вирощування багаторічного проміжного пирію (Thinopyrum intermedium) в Україні на зерно та корми. Землеробство та рослинництво: теорія та практика. 2024. Вип. 1(11). С. 44-56. https://doi.org/10.54651/agri.2024.01.05
7. Кривохижа Є. М., Матвіїшин А. І., Бринь В. Т. Вплив зміни клімату на врожайність основних сільськогосподарських культур в Україні. Подільський вісник: сільське господарство, техніка, економіка. 2024. Вип. 3 (44). С. 33 – 37. https://doi.org/10.37406/2706-9052-2024-3.5
8. Aslan M. F., Durdu A., Sabanci K., Ropelewska E. A survey of crop yield prediction using remote sensing and machine learning. Sustainability. 2024. Vol. 16(15). Art. 6566. https://doi.org/10.3390/su16156566.
9. Dlamini S., Ramoelo A., Cho M. A., Mathieu R., Weepener H. Improving crop yield estimation applying higher resolution satellite NDVI imagery and cropland masks. Remote Sensing Applications: Society and Environment. 2022. Vol. 25. Art. 100693. https://doi.org/10.1016/j.rsase.2021.100693.
10. Zhou Y., Liu X., Zhu X., Guo W. Integrating climate and satellite remote sensing data for predicting county-level wheat yield in china using machine learning methods. International Journal of Applied Earth Observation and Geoinformation. 2022. Vol. 111. Art. 102861. https://doi.org/10.1016/j.jag.2022.102861.
11. Zhu X., Guo W., Liu X., Xu X. Crop yield prediction based on agrometeorological indices and remote sensing data using random forest. Remote Sensing. 2021. Vol. 13(10). Art. 2016. https://doi.org/10.3390/rs13102016
12. Li F., Yan H., Zhang X., Wang M., Chen Z. A Deep learning framework for crop yield prediction using multi-source remote sensing and meteorological data with explainability analysis. Remote Sensing. 2024. Vol. 16. Art. 3217. https://doi.org/10.3390/rs16173217
13. Sun J., Zhao Y., Han B., Li Y., Sun Y. Winter wheat yield prediction at the field scale from Sentinel-2 time series using a temporal convolutional network. Scientific Reports. 2024. Vol. 14. Art. 17886. https://doi.org/10.1038/s41598-024-67663-1
14. Bouras E. H., Bolton D. K., Viña A., Daughtry C. S. T., Townsend P. A. Assimilating remote sensing observations with an ensemble kalman filter for in-season forecasting of wheat yield. Remote Sensing. 2023. Vol. 15(18). Art. 4425. https://doi.org/10.3390/rs15184425
15. Desloires S., Nicolas H., Baret F., Weiss M. Assimilation of crop phenology observations and remote sensing data into a crop model to forecast wheat yield. Computers and Electronics in Agriculture. 2023. Vol. 213. Art. 107807. https://doi.org/10.1016/j.compag.2023.107807
16. Faraslis, I., Dalezios, N. R., Alpanakis, N., Tziatzios, G. A., Spiliotopoulos, M., Sakellariou, S., Sidiropoulos, P., Dercas, N., Domínguez, A., Martínez-López, J. A., López-Urrea, R., Karam, F., Amami, H., & Nciri, R. (2023). Remotely sensed agroclimatic classification and zoning in water-limited mediterranean areas towards sustainable agriculture. Remote Sensing. 15(24). 5720. https://doi.org/10.3390/rs15245720
17. Xiao C., Wu Y., Zhu X. Evaluation of the monitoring capability of 20 vegetation indices and 5 mainstream satellite band settings for drought in spring wheat using a simulation method. Remote Sensing. 2023. Vol. 15. Art. 4838. https://doi.org/10.3390/rs15194838
18. Drusch M., Del Bello U., Carlier S., Colin O., Fernandez V., Gascon F.,Hoersch B., Isola C., Laberinti P., Martimort P., Meygret A., Spoto F., Sy, O., Marchese F., Bargellini P. Sentinel-2: ESA’s optical high-resolution mission for GMES operational services. Remote Sensing of Environment. 2012. Vol. 120. P. 25–36. https://doi.org/10.1016/j.rse.2011.11.026
19. Gorelick N., Hancher M., Dixon M., Ilyushchenko S., Thau D., Moore R. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment. 2017. Vol. 202. P. 18–27. https://doi.org/10.1016/j.rse.2017.06.031
20. Allen R. G., Pereira L. S., Raes D., Smith M. Crop Evapotranspiration: Guidelines for Computing Crop Water Requirements. FAO Irrigation and Drainage Paper 56. Rome: FAO, 1998.