Аналіз зміни індексів вегетації при вирощуванні сільськогосподарських культур

Ключові слова: зміна клімату, точне землеробство, цифровізація, індекс рослинності

Анотація

Кліматичні зміни безпосередньо впливають на продовольчу безпеку, оскільки спричиняють частіші посухи, довготривалі періоди спеки, нерівномірні опади та екстремальні погодні явища, що знижують врожайність основних культур і підвищують ризик втрати продукції. Ефективним рішенням є застосування цифорових та космічних технологій, які дозволяють проводити супутниковий моніторинг стану сільськогосподарських рослин та вирішувати важливі агротехнічні задачі.
Цифрова трансформація аграрного виробництва зробила супутникові дані доступними, але їх інтерпретація все ще залишається викликом.
Нормалізований відносний індекс рослинності – це нормалізований вегетаційний індекс, що широко використовується в дистанційному зондуванні для кількісної оцінки стану рослинності на основі відбивної здатності у ближній інфрачервоній (NIR) та червоній (RED) частинах спектра. NDVI дає числову оцінку ступеню фотосинтетичної активності рослин оцінити різницю поглинутого та відбитого спектрів.
Метою кількісна оцінка міжрічної варіабельності індексу NDVI в межах одного поля з урахуванням вирощуваної культури, попередника, системи обробітку ґрунту та погодних умов.
Методи. В основу дослідження покладено системний підхід, у межах якого використовували загальноприйняті наукові методи абстрактного та логічного аналізу, синтезу, аналогії, порівняння та узагальнення наукових даних у сфері точного землеробства. Використано наукові праці та матеріали періодичних видань в аграрній сфері для узагальнення інформації.
Результати. Отримані дані про перебіг технологічних процесів, включаючи дані про ріст сільськогосподарських культур, моніторинг вологості ґрунту, наявність шкідників і попередження про їх появу, а також прогнозування врожайності.
Традиційні методи управління та аналізу земельних ресурсів є достатньо трудомісткими, а крім того іноді важко надати актуальну інформацію про різні зміни у землекористуванні. Отримано мультиспектральну інформацію із високою роздільною здатністю, що робить управління землекористування більш економічно ефективним.
Вплив елементів технології вирощування на врожайність відіграє незамінну роль в управлінні ростом і розвитком сільськогосподарських культур, а прогнозування врожайності є одним з важливих фундаментальних елементів забезпечення продовольчої безпеки. Традиційні методи прогнозування врожайності зазвичай передбачають доволі складне відбирання проб, що не тільки призводить до значних витрат людських і матеріальних ресурсів у практичному застосуванні, але й не досить ефективним.
Висновки. Індекс вегетації є одним із ключових інструментів сучасного точного землеробства. В умовах сучасної України, при зміні кліматичних умов, коли погодні коливання суттєво впливають на розвиток рослин. Індекс вегетації є інструментом ранньої діагностики проблем, основа точного землеробства, спосіб зменшення ризиків у посушливих умовах та допоміжним показником для прогнозу врожайності. В умовах кліматичних змін для Лісостепу України його використання стає не просто корисним, а стратегічно необхідним.

Посилання

1. Кібукевич Ю.О. Порівняльний аналіз показників NDVI для різночасових оптичних та радарних зображень. Системні технології, 2021. Вип. 5 (136). С. 22-27. https://doi.org/10.34185/1562-9945-5-136-2021-02
2. Vasylkovska K., Andriienko O., Malakhovska V. and Moroz O. Analysis of changes in comfortable sunflower growing areas using the example of Ukraine. HELIA, 2022. 45(77). Pp.175-189. https://doi.org/10.1515/helia-2022-0010
3. Круглик Б. Вегетаційні індекси в сільському господарстві: NDVI, NDRE, MSAVI, NDMI. WEAGRO, 2025. URL: https://weagro.ua/blog/vegetaczijni-indeksy-v-silskomu-gospodarstvi-ndvi-ndre-msavi-ndmi/ (дата звернення 11.02.2026)
4. Агро інновації від Soft.Farm: моніторинг вегетаційних індексів (NDVI) у сільському господарстві. AGRI-GATOR, 2020. URL: https://agri-gator.com.ua/2020/06/16/ahro-innovatsii-vid-soft-farm-monitorynh-vehetatsijnykh-indeksiv-ndvi-u-silskomu-hospodarstvi-agronews/ (дата звернення 11.02.2026)
5. Ліщук А.М., Парфенюк А.І., Карачинська Н.В., Безноско І.В. Інновації точного землеробства у зменшенні екологічних ризиків в агроекосистемах України. Збалансоване природокористування, 2024. № 3. С. 105-113. https://doi.org/10.33730/2310-4678.3.2024.314928
6. Gozdowski D., Stępień M., Panek E., Varghese J., Bodecka E., Rozbicki Ja., Samborski S. Comparison of winter wheat NDVI data derived from Landsat 8 and active optical sensor at field scale. Remote Sensing Applications: Society and Environment, 2020. Vol. 20, 100409. https://doi.org/10.1016/j.rsase.2020.100409
7. Esch T., Metz A., Marconcini M., Keil M. Combined use of multi-seasonal high and medium resolution satellite imagery for parcel-related mapping of cropland and grassland. International Journal of Applied Earth Observation and Geoinformation. 2014, Vol. 28, pp. 230–237. https://doi.org/10.1016/j.jag.2013.12.007
8. Md-Tahir H., Mahmood H.S., Husain M., Khalil A., Shoaib M., Ali, M., Ali M.M., Tasawar M., Khan Y.A., Awan U.K. et al. Localized crop classification by ndvi time series analysis of remote sensing satellite data; applications for mechanization strategy and integrated resource management. AgriEngineering, 2024. Vol. 6. pp. 2429–2444. https://doi.org/10.3390/agriengineering6030142
9. Mahlayeye M., Darvishzadeh R., NelsonA. Cropping patterns of annual crops: a remote sensing review. Remote Sens. 2022, Vol. 14, 2404. https://doi.org/10.3390/rs14102404
10. Sun Ch., Bian Ya., Zhou T., Pan Ji. Using of Multi-Source and Multi-Temporal Remote Sensing Data Improves Crop-Type Mapping in the Subtropical Agriculture Region. Sensors, 2019. Vol. 19(10). 2401. https://doi.org/10.3390/s19102401
11. Dogar S.S., Brogi C., O'Leary D., Hernández-Ochoa I.M., Donat M., Vereecken H., Huisman J.A. Combining electromagnetic induction and satellite-based NDVI data for improved determination of management zones for sustainable crop production. Soil, 2025. Vol. 11(2). pp. 655–679. https://doi.org/10.5194/soil-11-655-2025
12. Topolnyi S., Helevera O. Processing of SAT-Based GIS Data for the Agricultural Industry in Ukraine. In: Luntovskyy A., Klymash M., Melnyk I., Beshley M., Gütter D. (eds) Networks and Sustainability. TCSET 2024. Lecture Notes in Electrical Engineering, 2025. 1473. https://doi.org/10.1007/978-3-032-02272-1_29
13. Wang Ju., Wang Ya., Li G., Qi Zh. Integration of Remote Sensing and Machine Learning for Precision Agriculture: A Comprehensive Perspective on Applications. Agronomy, 2024. Vol. 14(9), 1975. https://doi.org/10.3390/agronomy14091975)
14. Vasylkovska K.V., Leshchenko S.M., Vasylkovskyi O.M., Petrenko D.I. Improvement of equipment for basic tillage and sowing as initial stage of harvest forecasting. INMATEH – Agricultural Engineering. 2016. Vol. 50(3). P. 13-20.
15. Vasylkovska K., Andriienko O., Vasylkovskyi O., Andriienko A., Popov V., Malakhovska V. Dynamics of export potential of sunflower oil in Ukraine. HELIA, 2021. Vol. 44(74). pp. 115-123. https://doi.org/10.1515/helia-2021-0001
16. Huisman O., Rolf A. Principles of Geographic Information Systems (GIS): an Introductory Textbook. 2009. Publisher: ITC Educational Textbook Series, The Netherlands. 540.
Опубліковано
2026-05-06
Розділ
МЕЛІОРАЦІЯ, ЗЕМЛЕРОБСТВО, РОСЛИННИЦТВО