Информативность вегетационных индексов в качестве предикторов урожайности двух сортов яровой пшеницы в опыте с системой защиты растений на фоне удобрений

Исследовано применение комбинированной оценки информационной важности вегетационных индексов для прогнозирования урожайности яровой пшеницы с учетом сортовой специфики и агротехнических факторов. Тестовой площадкой служил полевой опыт в лесостепной зоне Новосибирского Приобья. В опыте возделывали яровую пшеницу сортов Суенга и Новосибирская 41 по интенсивной агротехнологии. Для анализа использованы данные, полученные с по мощью беспилотного летательного аппарата DJI Phantom 4 Multispectral Phantom за период вегетации культуры в 2023–2025 гг. Значения вегетационных индексов рассчитывали, используя пять спектральных каналов: синий (B, 450 ± 16 нм), зеленый (G, 560 ± 16), красный (R, 650 ± 16), красный край (RE, 730 ± 16) и ближний инфракрасный (NIR, 840 ± 26 нм). Для анализа информационной важности в качестве предикторов урожайности культуры использовали следующие индексы: NDVI, NDWI, GNDVI, LAI, CVI, GCI и ChlRE. Для проведения оценки информативности индексов применяли независимые методы: F-статистику однофакторной регрессии (ANOVA F-test), оценку взаимной информации (Mutual Information, MI) и важность признаков алгоритма случайного леса (Random Forest, RF). Каждая из оценок нормировалась в диапазоне [0; 1] методом min-max нормализации, после этого вычислялась комбинированная оценка как взвешенная сумма. Для сорта Суенга устойчивыми предикторами независимо от вариантов опыта были CVI (кущение) и ChlRE (выход в трубку и колошение), для Новосибирской 41 состав информативных предикторов существенно зависел от комбинации системы защиты растений и удобрений. Выявлено, что индексы содержания хлорофилла (GCI, ChlRE) увеличивали предиктивную связь с урожайностью на фоне применения удобрений, тогда как индекс водного статуса (NDWI) терял информативность при внесении удобрений.

1. Gano B., Bhadra S., Vilbig J.M., Ahmed N., Sa gan V., Shakoor N. Drone-based imaging sensors, techniques, and applications in plant phenotyping for crop breeding: A comprehensive re view // The Plant Phenome Journal. 2024. Vol. 7. N 1. P. e20100. DOI: 10.1002/ppj2.20100.

2. Montero D., Aybar C., Mahecha M.D., Martinuzzi F., Söchting M., Wieneke S. A standardized catalogue of spectral indices to advance the use of remote sensing in Earth system research // Scientific Data. 2023. Vol. 10. N 1. Р. 197. DOI: 10.1038/s41597-023-02096-0.

3. Yan K., Gao S., Yan G., Ma X., Chen X., Zhu P., Li J., Gao S., Gastellu-Etchegorry J.-P., Myne ni R., Wang Q. A global systematic review of the remote sensing vegetation indices // International Journal of Applied Earth Observation and Geoinformation. 2025. Vol. 139. Р. 104560. DOI: 10.1016/j.jag.2025.104560.

4. Colovic M., Stellacci A.M., Mzid N., Di Venosa M., Todorovic M., Cantore V., Albrizio R. Comparative performance of aerial RGB vs. ground hyperspectral indices for evaluating water and nitrogen status in sweet maize // Agronomy. 2024. Vol. 14. N 3. Р. 562. DOI: 10.3390/agronomy14030562.

5. Kothari S., Beauchamp-Rioux R., Blanchard F., Crofts A.L., Girard A., Guilbeault-Mayers X., Hacker P.W., Pardo J., Schweiger A.K., De mers-Thibeault S., Bruneau A., Coops N.C., Ka lacska M., Vellend M., Laliberté E. Predicting leaf traits across functional groups using reflectance spectroscopy // New Phytologist. 2023. Vol. 238. N 2. Р. 549–566. DOI: 10.1111/nph.18713.

6. Якушев В.П., Якушев В.В., Блохина С.Ю. Блохин Ю.И., Матвеенко Д.А. Перспективы выявления идентификационных показателей состояния посевов по аэрокосмическим снимкам и специализированным полевым исследованиям // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 4. С. 113–127. DOI: 10.21046/2070-7401-2022-19-4-113-127.

7. Якушев В.П., Канаш Е.В., Русаков Д.В., Якушев В.В., Блохина С.Ю., Петрушин А.Ф., Блохин Ю.И., Митрофанова О.А., Митрофанов Е.П. Корреляционные зависимости между вегетационными индексами, урожаем зерна и оптическими характеристиками листьев пшеницы при разном содержании в почве азота и густоте посева // Сельскохозяйственная биология. 2022. Т. 57. № 1. С. 98–112. DOI: 10.15389/agrobiology.2022.1.98rus.

8. Басарыгина Е.М., Деев В.В., Черепухина С.В., Колотыгина Е.А. Спектрально-оптические свойства листового аппарата в оценке состояния растений // АПК России. 2023. Т. 30. № 5. С. 642–647. DOI: 10.55934/2587-8824-2023-30-5-642-647.

9. Eisfelder C., Asam S., Hirner A., Reiners P., Holzwarth S., Bachmann M., Gessner U., Di etz A., Huth J., Bachofer F., Kuenzer C. Seasonal vegetation trends for Europe over 30 years from a novel normalized difference vegetation index (NDVI) time-series – The TIMELINE NDVI Product // Remote Sensing. 2023. Vol. 15. N 14. Р. 3616. DOI: 10.3390/rs15143616.

10. Chatterjee S., Baath G.S., Sapkota B.R., Fly nn K.C., Smith D.R. Enhancing LAI estimation using multispectral imagery and machine learning: A comparison between reflectance-based and vegetation indices-based approaches // Computers and Electronics in Agriculture. 2025. Vol. 230. P. 109790. DOI: 10.1016/j.compag.2024.109790.

11. Yao Y., Zhao L., Gao X., Wang H., Liu J., Zhang X., Zhao Y., Li S. Liu Z. Fine monitoring of winter wheat LAI through two-step fusion of UAV and Sentinel-2 images with interpretable machine learning methods // European Journal of Agronomy. 2026. Vol. 172. Р. 127857. DOI: 10.1016/j.eja.2025.127857.

12. Yu L., Luo X., Croft H., Rogers C.A., Chen J.M. Seasonal variation in the relationship between leaf chlorophyll content and photosynthetic capacity // Plant, Cell & Environment. 2024. Vol. 47. N 10. Р. 3953–3965. DOI: 10.1111/pce.14997.

13. Hatfield J.L., Prueger J.H., Sauer T.J., Dold C., O’brien P., Wacha K. Applications of vegetative indices from remote sensing to agriculture: Past and future // Inventions. 2019. Vol. 4. N 4. Р. 71. DOI: 10.3390/inventions4040071.