Применение индекса NDRE для автоматизации управления внесением азотных удобрений в посевах сахарной свеклы с использованием БПЛА
DOI:
https://doi.org/10.7868/S3034519726010119Ключевые слова:
сахарная свёкла, точное земледелие, NDRE, беспилотные летательные аппараты, мультиспектральная съёмка, азотные удобрения, машинное обучение, карта-задание, дифференцированное внесение, урожайностьАннотация
Сбалансированное азотное питание сахарной свеклы – ключевой фактор получения высокого урожая и качества корнеплодов, однако традиционные методы диагностики азота не учитывают пространственную неоднородность поля. Цель исследования – разработка технологии автоматизированного управления внесением азотных удобрений с помощью индекса NDRE, полученного с мультиспектральных снимков БПЛА. Эксперимент проведен в 2024 году на посевах сахарной свеклы в Республике Башкортостан. Для мониторинга использовали квадрокоптер DJI Phantom 4 с мультиспектральной камерой Parrot Sequoia. На основе ортофотоплана рассчитывали индексы NDVI, GNDVI и NDRE, выполняли радиометрическую калибровку и маскирование артефактов. Для перевода значений NDRE в дозы азота применяли алгоритмы машинного обучения (регрессия, случайный лес, SVM), а также пороговое зонирование. На основе NDRE автоматически сформирована карта-задание с тремя зонами питания. Средневзвешенная дополнительная доза составила 29,8 кг/га, что позволило снизить общее внесение азота до 90 кг/га против 110 кг/га в контроле. Урожайность корнеплодов оказалась сопоставимой (49,1–49,8 т/га), при этом сахаристость увеличилась на 0,5%. Экономия удобрений – около 20% без потери урожая, что обеспечило снижение затрат и уменьшение риска накопления нитратов. Применение NDRE и БПЛА подтвердило высокую эффективность технологии дифференцированного внесения удобрений. Методика способствует рациональному использованию азота, повышению сахаристости и экологической устойчивости. В перспективе технология может быть адаптирована для других культур и интегрирована в системы точного земледелия.
Библиографические ссылки
1. Демидов П.В. Характеристика и функциональные возможности цифровых сервисов агроскаутинга в экономике АПК // Теория и практика инновационных технологий в АПК. 2023. С. 178–183.
2. Мударисов С.Г., Мифтахов И.Р. Автоматическое определение и идентификация заболеваний пшеницы методами глубокого обучения с применением БПЛА в режиме реального времени // Вестник Казанского государственного аграрного университета. 2024. Т. 19. № 2. С. 90–104.
3. Мыслыва Т.Н. и др. Использование данных дистанционного зондирования, полученных с БЛА, для оценки продуктивности биомассы Silphium perfoliatum // Известия Национальной академии наук Беларуси. Серия аграрных наук. 2021. Т. 59. № 2. С. 186–197.
4. Barreto A. et al. Disease incidence and severity of cercospora leaf spot in sugar beet assessed by multispectral unmanned aerial images and machine learning // Plant Disease. 2023. Vol. 107. No. 1. P. 188–200.
5. Drimzakas-Papadopoulos V. et al. Use of UAVs’ multispectral images for sugar beet cultivars discrimination and yield estimation // Journal of Central European Agriculture. 2024. Vol. 25. No. 4. P. 1135–1147.
6. EOSDA. NDRE maps in precision agriculture: applications for nitrogen management. 2024. URL: https://eos.com/blog/ndre-index (дата обращения: 22.09.2025).
7. Elsayed S. et al. Estimating chlorophyll content, production, and quality of sugar beet under various nitrogen levels using machine learning models and novel spectral indices // Agronomy. 2023. Vol. 13. No. 11. P. 2743.
8. Hunt E., Doraiswamy P. C., McMurtrey J. E. et al. A visible band index for remote sensing leaf chlorophyll content at the canopy scale // International Journal of Applied Earth Observation and Geoinformation. 2013. Vol. 21. P. 103–112.
9. Li F., Mistele B., Hu Y. et al. Reflectance estimation of canopy nitrogen content in winter wheat using optimised hyperspectral spectral indices and partial least squares regression // European Journal of Agronomy. 2014. Vol. 52. P. 198–209.
10. Li X. et al. A Comprehensive Review of Crop Chlorophyll Mapping Using Remote Sensing Approaches: Achievements, Limitations, and Future Perspectives // Sensors. 2025. Vol. 25. No. 8. P. 2345.
11. Lu N. et al. An assessment of multi-view spectral information from UAV-based color-infrared images for improved estimation of nitrogen nutrition status in winter wheat // Precision Agriculture. 2022. Vol. 23. No. 5. P. 1653–1674.
12. Mahajan G.R., Pandey R.N., Datta S.C. et al. Monitoring nitrogen, phosphorus and sulphur in hybrid rice (Oryza sativa L.) using hyperspectral remote sensing // Precision Agriculture. 2017. Vol. 18. No. 5. P. 736–761. https://doi.org/ 10.1007/s11119-016-9485-2.
13. Radocaj D., Jurisic M., Gasparovic M. The role of remote sensing data and methods in a modern approach to fertilization in precision agriculture // Remote Sensing. 2022. Vol. 14. No. 3. P. 778.
14. Sun Y., Wang B., Zhang Z. Improving leaf area index estimation with chlorophyll insensitive multispectral red-edge vegetation indices // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2023. Vol. 16. P. 3568–3582.
15. Wang J. et al. Nitrogen Monitoring and Sugar Yield Estimation Analysis of Sugar Beet Based on Multisource and Multi-temporal Remote Sensing Data // Sugar Tech. 2025. Vol. 27. No. 4. P. 1089–1101.
16. Xing X., Dong S., Guo M. et al. Optimizing Nitrogen Application Enhances Sugar Beet (Beta vulgaris L.) Productivity by Modulating Carbon and Nitrogen Metabolism // Agronomy. 2025. Vol. 15. No. 1142.
Исследование выполнено за счет гранта Российского научного фонда № 25-16-20094, https://rscf.ru/project/25-16-20094/. Материалы, представленные в статье, получены в рамках реализации программы развития ФГБОУ ВО Башкирский ГАУ программы стратегического академического лидерства «Приоритет-2030»
