Використання нормалізованого диференційного вегетаційного індексу (NDVI) в аграрній науці та практиці вже давно не обмежується встановленням стану рослинного покриву. Він знайшов своє застосування в картографуванні сільськогосподарських угідь, фенологічному моніторингу посівів, прогнозуванні врожайності культурних рослин, моніторингу несприятливих метеорологічних явищ, деградаційних проявів, тощо [1–4]. Ще одним перспективним напрямком використання даного вегетаційного індексу може бути встановлення властивостей ґрунтового покриву, зокрема, вмісту поживних речовин і гумусу, а також меліоративних властивостей [5–7]. Наші пілотні дослідження, виконані для ґрунтового покриву Херсонської області в цілому, підтвердили перспективність даного напрямку науково-пошукової роботи [8]. Втім, цікавість викликає можливість більш точного дистанційного визначення вмісту гумусу в ґрунтах у межах окремих локальних сільськогосподарських підприємств і установ, оскільки на регіональному рівні точність математичної оцінки вмісту гумусу була середньою. Дана робота присвячена питанню супутникового моніторингу вмісту гумусу в ґрунтах дослідних полів Інституту кліматично орієнтованого сільського господарства НААН (колишній Інститут зрошуваного землеробства НААН), які розташовані у Херсонській області.
Посилання
Bellón B., Bégué A., Lo Seen D., De Almeida C. A., & Simões M. (2017) A remote sensing approach for regional-scale mapping of agricultural land-use systems based on NDVI time series. Remote Sensing, 9(6), 600.
Wang F., Wang X., Zhao Y., & Yang Z. (2014) Correlation analysis of NDVI dynamics and hydro-meteorological variables in growth period for four land use types of a water scarce area. Earth Science Informatics, 7, 187–196.
Lykhovyd P. (2021) Study of climate impact on vegetation cover in Kherson oblast (Ukraine) using normalized difference and enhanced vegetation indices. Journal of Ecological Engineering, 22(6), 126–135.
Lykhovyd P. (2021) Seasonal dynamics of normalized difference vegetation index in some winter and spring crops in the South of Ukraine. Agrology, 4(4), 187–193.
Mazur P., Gozdowski D., & Wójcik-Gront E. (2022) Soil electrical conductivity and satellite-derived vegetation indices for evaluation of phosphorus, potassium and magnesium content, pH, and delineation of within-field management zones. Agriculture, 12(6), 883.
Mazur P., Gozdowski D., & Wnuk A. (2022) Relationships between soil electrical conductivity and Sentinel-2-derived NDVI with pH and content of selected nutrients. Agronomy, 12(2), 354.
Zhang Y., Guo L., Chen Y., Shi T., Luo M., Ju Q., Zhang H., & Wang S. (2019) Prediction of soil organic carbon based on Landsat 8 monthly NDVI data for the Jianghan Plain in Hubei Province, China. Remote Sensing, 11(14), 1683.
Lykhovyd P. V. (2023) Use of artificial neural networks of different architecture and learning rate to predict soil humus content using normalized difference vegetation index. International scientific journal «Grail of Science», 24, 252–254.
Blasco B. C., Moreno J. J. M., Pol A. P., & Abad A. S. (2013) Using the R-MAPE index as a resistant measure of forecast accuracy, Psicothema, 25(4), 500–506.
Montgomery D. C., Peck E. A., & Vining G. G. (2021) Introduction to linear regression analysis. John Wiley & Sons.
Allen D. M. (1971) Mean square error of prediction as a criterion for selecting variables. Technometrics, 13(3), 469–475.
