Наукові доповіді Національного університету біоресурсів і природокористування України

Обґрунтування виділення зон продуктивності поля за даними багаторічного моніторингу урожайності кукурудзи та супутникових показників

Леся Гарбар, Богдан Васьківський
Завантажити статтю
Анотація

У статті наведено результати багаторічного аналізу просторової неоднорідності урожайності кукурудзи (Zea mays L.) на виробничому полі площею 448 га в зоні переходу між Поліссям і Лісостепом України. Дослідження проведено на основі карт урожайності за 2019-2020 та 2023-2024 роки з метою оцінки стійкості внутрішньопольових зон продуктивності та встановлення їх зв'язку із супутниковими показниками. Просторову структуру продуктивності аналізували шляхом агрегування даних yield monitor до регулярної сітки 20×20 м з подальшою класифікацією на три зони продуктивності. Для підтвердження агроекологічної обумовленості зон використовували багаторічні композити NDVI (Sentinel-2) та карти яскравості ґрунтової поверхні. Встановлено, що просторові межі зон низької, середньої та високої продуктивності зберігалися упродовж усього періоду досліджень, незважаючи на міжрічні коливання середнього рівня урожайності. Середні багаторічні значення становили 6,2 т/га у низькій, 9,5 т/га у середній та 12,3 т/га у високій зоні продуктивності. Коефіцієнт варіації площ зон не перевищував 11,6 %, що свідчить про їх високу просторово-часову стабільність. Кореляційний аналіз показав тісний прямий зв’язок між багаторічною картою продуктивності та середньобагаторічним NDVI (r = 0,86-0,94), а також стабільний обернений зв’язок із показниками яскравості ґрунту (r = -0,79…-0,87). Високі значення коефіцієнта детермінації (R² = 0,74-0,88) підтверджують, що основна частка просторової варіації урожайності зумовлена сталими ґрунтово-ландшафтними чинниками. Отримані результати доводять доцільність використання багаторічних карт урожайності у поєднанні із супутниковими індексами для виділення стабільних зон продуктивності поля. Такий підхід створює наукове підґрунтя для впровадження технологій точного землеробства та просторово диференційованого управління агроресурсами

Ключові слова

Zea mays L.; просторова неоднорідність поля; яскравість ґрунту; багаторічні карти урожайності; коефіцієнт детермінації; точне землеробство; management zones

ЦИТУВАТИ
Harbar, L., & Vaskivskyi, B. (2026). Justification for the delineation of field productivity zones based on long-term monitoring of maize yield and satellite data. Scientific Reports of the National University of Life and Environmental Sciences of Ukraine, 22(2),51-64. https://doi.org/10.31548/dopovidi/2.2026.51
Використані джерела
  1. Adhikari, K., Smith, D.R., Hajda, C., & Kharel, T.P. (2023). Within-field yield stability and gross margin variations across corn fields and implications for precision conservation. Precision Agriculture, 24, 1401-1416. doi: 10.1007/s11119-023-09995-7.
  2. Baron, F.A., Carvalho, I.R., Adorian Bandeira, W.J., Amado, T.J.C., Corassa, G.M., Fioresi, D., & Martini, R.T. (2025). Optimization of the maize hybrid plant population in a heterogeneous agricultural field. Colloquium Agrariae, 21(1), article number e255066. doi: 10.5747/ca.2025.v21.a540.
  3. Castaldi, F., Whalley, R.C.L., Sylvester-Bradley, R., & Rees, R.M. (2021). Spatio-temporal analysis of yield and weather data for defining site-specific crop management zones. Precision Agriculture, 22, 1952-1972. doi: 10.1007/s11119-021-09820-z.
  4. Chen, S., Liu, W., Feng, P., Ye, T., Ma, Y., & Zhang, Z. (2022). Improving spatial disaggregation of crop yield by incorporating machine learning with multisource data. Remote Sensing, 14(10), article number 2340. doi: 10.3390/rs14102340.
  5. Convention on Biological Diversity. (1992, May). Retrieved from https://www.cbd.int/convention/text/.
  6. de Oliveira Filho, M.A., Santos, A.L.C., Domingues, R.F., Melazzo, G.M., Pontes, B.S., da Silva, R.J., Hurtado, S.M.C., & Catão, H.C.R.M. (2025). Validation of management zones, variability, and spatial distribution of the physiological quality of soybean seeds. Plants, 14(12), article number 1856. doi: 10.3390/plants14121856.
  7. Elsharkawy, M.M., Sheta, A., D’Antonio, P., Abd-Elwahed, M.S., & Scopa, A. (2022). Tool for the establishment of agro-management zones using GIS techniques for precision farming in Egypt. Sustainability, 14(9), article number 5437. doi: 10.3390/su14095437.
  8. Hernández-Ochoa, I.M., Gaiser, T., Grahmann, K., Engels, A.M., & Ewert, F. (2025). Within-Field temporal and spatial variability in crop productivity for diverse crops – a 30-year model-based assessment. Agronomy, 15(3), article number 661. doi: 10.3390/agronomy15030661.
  9. Killeen, P., Kiringa, I., Yeap, T., & Branco, P. (2024). Corn grain yield prediction using UAV-based high spatiotemporal resolution imagery, machine learning, and spatial cross-validation. Remote Sensing, 16(4), article number 683. doi: 10.3390/rs16040683.
  10. Leuthold, S.J., Lavallee, J., Basso, B., Brinton, W., & Cotrufo, M.F. (2024). Shifts in controls and abundance of particulate and mineral-associated organic matter fractions among subfield yield stability zones. SOIL, 10, 307-319. doi: 10.5194/soil-10-307-2024.
  11. Maestrini, B., & Basso, B. (2021). Subfield crop yields and temporal stability in thousands of US Midwest fields. Precision Agriculture, 22, 1749-1767. doi: 10.1007/s11119-021-09810-1.
  12. Miao, L., Zou, Y., Cui, X., Kattel, G.R., Shang, Y., & Zhu, J. (2024). Predicting China’s maize yield using multi-source datasets and machine learning algorithms. Remote Sensing, 16(13), article number 2417. doi: 10.3390/rs16132417.
  13. Mikha, M.M., Mankin, K.R., Khan, S.B., & Barnard, D.M. (2024). Precision management influences productivity and nutrients availability in dryland cropping system. Agronomy Journal, 116(6), 3325-3343. doi: 10.1002/agj2.21686.
  14. Narra, N., Linna, P., & Lipping, T. (2022). Calculating productivity zones of crop fields using open satellite data. In IGARSS 2022 – 2022 IEEE international geoscience and remote sensing symposium (pp. 6073-6076). Kuala Lumpur: IEEE. doi: 10.1109/IGARSS46834.2022.9883146.
  15. Radočaj, D., Plaščak, I., & Jurišić, M. (2025). Fusion of Sentinel-2 phenology metrics and saturation-resistant vegetation indices for improved correlation with maize yield maps. Agronomy, 15(6), article number 1329. doi: 10.3390/agronomy15061329.
  16. Salem, H.M., Schott, L.R., Piaskowski, J., Chapagain, A., Yost, J.L., Brooks, E., Kahl, K., & Johnson-Maynard, J. (2024). Evaluating intra-field spatial variability for nutrient management zone delineation through geospatial techniques and multivariate analysis. Sustainability, 16(2), article number 645. doi: 10.3390/su16020645.
  17. Sarkar, S., Osorio Leyton, G.A., Noa-Yarasca, A., Adhikari, K., Hajda, C., & Smith, D.R. (2025). Integrating remote sensing and soil features for enhanced machine learning-based corn yield prediction in the Southern US. Sensors, 25(2), article number 543. doi: 10.3390/s25020543.
  18. Sterle, L.G.G., & Molin, J.P. (2025). Management zones for irrigated and rainfed grain crops based on data layer integration. Agronomy, 15(8), article number 1864. doi: 10.3390/agronomy15081864.
  19. Tamás, A., Kovács, E., Horváth, É., Juhász, C., Radócz, L., Rátonyi, T., & Ragán, P. (2023). Assessment of NDVI dynamics of maize (Zea mays L.) and its relation to grain yield in a polyfactorial experiment based on remote sensing. Agriculture, 13(3), article number 689. doi: 10.3390/agriculture13030689.
  20. Zhu, B., Chen, S., Cao, Y., Xu, Z., Yu, Y., & Han, C. (2021). A regional maize yield hierarchical linear model combining landsat 8 vegetative indices and meteorological data. Remote Sensing, 13(3), article number 356. doi: 10.3390/rs13030356.