(50-5) 14 * << * >> * Русский * English * Содержание * Все выпуски

О необходимости учета влияния почвенного фона на связь нормализованного относительного вегетационного индекса посевов
с их урожайностью на примере озимых культур
Е.Ю. Прудникова1, И.Ю. Савин1,2

1 ФИЦ Почвенный институт имени В.В. Докучаева, 119017, Россия, г. Москва, пер. Пыжевский, д. 7, стр. 2;
2 Экологический факультет РУДН, 115093, Россия, г. Москва, Подольское шоссе, д. 8, стр. 5

  Полный текст (PDF)

DOI: 10.18287/COJ1749

ID статьи: 1749

Аннотация:
Нормализованный относительный вегетационный индекс достаточно широко используется для оценки состояния посевов сельскохозяйственных культур и прогнозирования их урожайности. В то же время данный вегетационный индекс чувствителен к влиянию почвенного фона, что может повлиять на результаты оценки. В статье рассматривается метод корректировки влияния почвенного фона на нормализованный относительный вегетационный индекс посевов сельскохозяйственных культур на примере озимых культур. Исследование проводилось на тестовых участках с озимой пшеницей, расположенных в Тульской и Московской областях. Во время проведения полевых исследований в 2018–2019 гг. измерялась спектральная отражательная способность почвы и растений озимой пшеницы в разные фазы развития. На основе модели линейной спектральной смеси моделировалось спектральное отражение посевов озимой пшеницы в красном и ближнем инфракрасном участках спектра в разные фазы ее развития на исследуемых почвах при разном проективном покрытии. Для каждой фазы определялась базовая почва, относительно которой нормировалось спектральное отражение посевов на других почвах. Рассчитывались поправочные коэффициенты к значениям спектрального отражения посевов в красном и ближнем инфракрасном каналах для приведения их к спектральному отражению посевов на базовой почве. Оценка влияния поправочных коэффициентов на связь между анализируемым вегетационным индексом и урожайностью озимых культур проводилась на примере Ясногорского и Веневского районов Тульской области. Рассматривались два варианта: сезонный максимум вегетационного индекса и вегетационный индекс для недели, на которой корреляция между данным индексом и урожайностью озимых наибольшая. В целом, применение поправочных коэффициентов позволило увеличить корреляцию между урожайностью озимых культур и нормализованным относительным вегетационным индексом. При этом лучшие результаты получены при коррекции для недели, для которой отмечается наибольшая корреляция между анализируемым вегетационным индексом и статистической урожайностью озимых культур.

Ключевые слова:
спектральная отражательная способность, спектральная смесь, Landsat-8 OLI, NDVI, озимые культуры, почва, сельское хозяйство.

Благодарности:
Исследование выполнено в рамках госзадания по теме НИР ФИЦ "Почвенный институт им. В.В. Докучаева" FGUR-2025-0003 №226012223045-7.

Цитирование:
Прудникова, Е.Ю. О необходимости учета влияния почвенного фона на связь нормализованного относительного вегетационного индекса посевов с их урожайностью на примере озимых культур / Е.Ю. Прудникова, И.Ю. Савин // Компьютерная оптика. – 2026. – Т. 50, № 5. – 1749. – doi: 10.18287/COJ1749.

Citation:
Prudnikova EYu, Savin IYu. On the need of accounting for the influence of the soil background on the relationship between the normalized difference vegetation index of agricultural crops and their yield using the example of winter crops. Computer Optics 2026; 50(5): 1749. doi: 10.18287/COJ1749.

References:

  1. Smith RC, Adams J, Stephens DJ, Hick PT. Forecasting wheat yield in a Mediterranean-type environment from the NOAA satellite. Australian Journal of Agricultural Research 1995; 46(1): 113-125. DOI: 10.1071/AR9950113.
  2. Reeves MC, Zhao M, Running SW. Usefulness and limits of MODIS GPP for estimating wheat yield. International Journal of Remote Sensing 2005; 26(7): 1403-1421. DOI: 10.1080/01431160512331326567.
  3. Becker-Reshef I, Vermote E, Lindeman M, Justice C. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data. Remote Sensing of Environment 2010; 114(6): 1312-1323. DOI: 10.1016/j.rse.2010.01.010.
  4. He M, Kimball JS, Maneta MP, Maxwell BD, Moreno A, Beguería S, Wu X. Regional crop gross primary productivity and yield estimation using fused Landsat-MODIS data. Remote Sensing 2018; 10(3): 372. DOI: 10.3390/rs10030372.
  5. Jabed MA, Murad MA. Crop yield prediction in agriculture: A comprehensive review of machine learning and deep learning approaches, with insights for future research and sustainability. Heliyon 2024; 10(24): e40836. DOI: 10.1016/j.heliyon.2024.e40836.
  6. Benedetti R, Rossini P. On the use of NDVI profiles as a tool for agricultural statistics: The case study of wheat yield estimate and forecast in Emilia Romagna. Remote Sensing of Environment 1993; 45(3): 311-326. DOI: 10.1016/0034-4257(93)90113-C.
  7. Doraiswamy PC, Sinclair TR, Hollinger S, Akhmedov B, Stern A, Prueger J. Application of MODIS-derived parameters for regional crop yield assessment. Remote Sensing of Environment 2005; 97(2): 192-202. DOI: 10.1016/j.rse.2005.03.015.
  8. Ren J, Chen Z, Zhou Q, Tang H. Regional yield estimation for winter wheat with MODIS-NDVI data in Shandong, China. International Journal of Applied Earth Observation and Geoinformation 2008; 10(4): 403-413. DOI: 10.1016/j.jag.2007.11.003.
  9. Lopresti MF, Di Bella CM, Degioanni AJ. Relationship between MODIS-NDVI data and wheat yield: A case study in Northern Buenos Aires Province, Argentina. Information Processing in Agriculture 2015; 2(2): 73-84. DOI: 10.1016/j.inpa.2015.06.001.
  10. Panek E, Gozdowski D. Analysis of relationship between cereal yield and NDVI for selected regions of Central Europe based on MODIS satellite data. Remote Sensing Applications: Society and Environment 2020; 17: 100286. DOI: 10.1016/j.rsase.2019.100286.
  11. Muruganantham P, Wibowo S, Grandhi S, Samrat NH, Islam N. A systematic literature review on crop yield prediction with deep learning and remote sensing. Remote Sensing 2022; 14(9): 1990. DOI: 10.3390/rs14091990.
  12. Kamangir H, Sams B, Dokoozlian N, Sanchez L, Earles JM. CMAViT: Integrating climate, management, and remote sensing data for crop yield estimation with multimodel vision transformers. arXiv preprint arXiv:2411.16989; 2024. DOI: 10.48550/arXiv.2411.16989.
  13. Mena F, Pathak D, Najjar H, Sanchez C, Helber P, Bischke B, Habelitz P, Miranda M, Siddamsetty J, Nuske M, Charfuelan M. Adaptive fusion of multi-modal remote sensing data for optimal sub-field crop yield prediction. Remote Sensing of Environment 2025; 318: 114547. DOI: 10.1016/j.rse.2024.114547.
  14. Saha S, Kucher OD, Utkina AO, Rebouh NY. Precision agriculture for improving crop yield predictions: A literature review. Frontiers in Agronomy 2025; 7: 1566201. DOI: 10.3389/fagro.2025.1566201.
  15. Huete AR, Jackson RD, Post DF. Spectral response of a plant canopy with different soil backgrounds. Remote Sensing of Environment 1985; 17(1): 37-53. DOI: 10.1016/0034-4257(85)90111-7.
  16. Huete AR. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment 1988; 25(3): 295-309. DOI: 10.1016/0034-4257(88)90106-X.
  17. Liu HQ, Huete A. A feedback-based modification of the NDVI to minimize canopy background and atmospheric noise. IEEE Transactions on Geoscience and Remote Sensing 1995; 33(2): 457-465. DOI: 10.1109/TGRS.1995.8746027.
  18. Chen X, Guo Z, Chen J, Yang W, Yao Y, Zhang C, Cui X, Cao X. Replacing the red band with the red-SWIR band (0.74 𝜌red+0.26𝜌SWIR) can reduce the sensitivity of vegetation indices to soil background. Remote Sensing 2019; 11(7): 851. DOI: 10.3390/rs11070851.
  19. Prudnikova E, Savin I, Vindeker G, Grubina P, Shishkonakova E, Sharychev D. Influence of soil background on spectral reflectance of winter wheat crop canopy. Remote Sensing 2019; 11(16): 1932. DOI: 10.3390/rs11161932.
  20. Earth Resources Observation and Science Center. Landsat 8-9 Operational Land Imager/Thermal Infrared Sensor Level-2, Collection 2 [dataset]. U.S. Geological Survey; 2020. DOI: 10.5066/P9OGBGM6.
  21. Federal State Statistics Service. Database of indicators of municipalities [In Russian]. Available at: https://rosstat.gov.ru/storage/mediabank/munst.htm (accessed 24.08.2026).
  22. Savin IYu, Kucher OD. Detection of winter crops using satellite data: Possibilities and limitations [In Russian]. Agrophysics 2024; (4): 40-47.
  23. Lupan EA, Bartalev SA, Savin IYu. Satellite monitoring technologies in Russian agriculture [In Russian]. Aerospace Courier 2009; (6): 47-49.
  24. Rondeaux G, Steven M, Baret F. Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment 1996; 55(2): 95-107. DOI: 10.1016/0034-4257(95)00186-7.
  25. Todd SW, Hoffer RM. Responses of spectral indices to variations in vegetation cover and soil background. Photogrammetric Engineering and Remote Sensing 1998; 64(9): 915-921. Available at: https://www.asprs.org/wp-content/uploads/pers/1998journal/sep/1998_sep_915-921.pdf (accessed 24.08.2026).
  26. Vindeker GV, Prudnikova EYu, Savin IYu. Transformation of open soil surface under the impact of rainfall in a model experiment [In Russian]. Dokuchaev Soil Bulletin 2018; 95: 23-40. DOI: 10.19047/0136-1694-2018-95-23-40.
  27. Nagy A, Szabó A, Adeniyi OD, Tamás J. Wheat yield forecasting for the Tisza River catchment using Landsat 8 NDVI and SAVI time series and reported crop statistics. Agronomy 2021; 11(4): 652. DOI: 10.3390/agronomy11040652.
  28. Nagy A, Fehér J, Tamás J. Wheat and maize yield forecasting for the Tisza River catchment using MODIS NDVI time series and reported crop statistics. Computers and Electronics in Agriculture 2018; 151: 41-49. DOI: 10.1016/j.compag.2018.05.035.
  29. Huete AR, Liu HQ. An error and sensitivity analysis of the atmospheric- and soil-correcting variants of the NDVI for the MODIS-EOS. IEEE Transactions on Geoscience and Remote Sensing 1994; 32(4): 897-905. DOI: 10.1109/36.298018.

Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20