Comparison of NDVI, NDRE, MSAVI and NDSI indices for early diagnosis of crop problems

• Autorzy: Voitik Andrii , Kravchenko Vasyl , Pushka Olexandr , Kutkovetska Tetyana , Shchur Taras , Kocira Sławomir

Identyfikatory

DOI

10.2478/agriceng-2023-0004

Warianty tytułu

PL

Porównanie wskaźników NDVI, NDRE, MSAVI i NDSI do wczesnej diagnozy problemów z plonem

• Języki publikacji: EN

Abstrakty

EN

In precision agriculture, it is possible to use satellite monitoring of fields. Satellite monitoring systems allow you to get free images with a resolution of up to 10 m per pixel, which is sufficient to determine the state of vegetation of plants on such indicators as the normalized vegetation index NDVI. However, the NDVI indicator already indicates the existing problems of correction which will not help to restore the lost yield of crops, but only helps to prevent further losses. Using the NDSI soil salinity index, it is possible to determine the difference in its properties from spectral images. Also, you can study the vegetation of plants in the early stages of their development, in fact immediately after germination. Soil-adjusted vegetation index, such as MSAVI, is used for this purpose. Studies indicate the possibility of using NDSI and MSAVI indicators for early diagnosis of confirmed crops NDVI and NDRE (indicating chlorophyll activity in plants) at later stages of their development. Studies conducted on soybean, spring barley and maize crops sown in the spring of 2021 indicate a correspondence between raster field maps show-ing the above indices made from March to July. Statistical analysis of raster images of field maps using specialized software showed a correlation between NDSI and MSAVI in March and May, respectively, with NDVI and NDRE indexes in June and July. Therefore, it is possible to judge the expediency of using NDSI and MSAVI indicators for early diagnosis of possible problems with plant vegetation, as well as for the creation of maps of differential fertilization.

PL

W rolnictwie precyzyjnym możliwe jest wykorzystanie satelitarnego monitoringu pól. Systemy monitorowania satelitarnego pozwalają na uzyskanie darmowych zdjęć o rozdzielczości do 10 m na pixel, co jest wystarczającą wartością do określenia stanu wegetacji roślin na podstawie takich wskaźników jak znormalizowany wskaźnik wegetacji NDVI. Jednakże, wskaźnik NDVI już wskazuje na istniejące problemy w kwestii korekty, która nie jest w stanie odzyskać stracony plon, a tylko pomaga uchronić przed dalszymi stratami. Istotne jest badanie możliwości identyfikacji problemów na wczesnych etapach wegetacji roślin, na przykład na etapie kiełkowania i pierwszym etapie rozwoju rośliny lub wpływu właściwości gleby na przyszły rozwój roślin. Stosując wskaźnik zasolenia gleby NDSI, możliwe jest określenie różnicy w jej właściwościach poprzez obrazowanie spektralne. Można także badać wegetację roślin na wczesnych etapach ich rozwoju, w zasadzie po etapie kiełkowania. W tym celu stosuje się wskaźnik roślinności dostosowany względem gleby, taki jak MSAVI. Badania wskazują na możliwość zastosowania wskaźników NDSI i MSAVI do wczesnej diagnozy potwierdzonych plonów NDVI i NDRE (wskazujące na aktywność chlorofilu w roślinach) na późniejszych etapach ich rozwoju. Badania przeprowadzone na soi, jęczmieniu wiosennym i kukurydzy zasianych wiosną 2021 roku wskazują na odwołanie do map rastrowych pól, wykonanych od marca do lipca, które wskazują na powyższe wskaźniki. Analiza statystyczna obrazów rastrowych map polowych przy użyciu specjalistycznego oprogramowania wykazała korelację pomiędzy NDSI i MSAVI w marcu i maju, odpowiednio ze wskaźnikami NDVI i NDRE w czerwcu i lipcu. Zatem, możliwa jest ocena stosowności użycia wskaźników NDSI i MSAVI do wczesnej diagnozy możliwych problemów z wegetacją roślin, jak również do stworzenia map o różnych stopniach nawożenia.

Słowa kluczowe

EN

field map; plant development diagnostics; vegetation index; soil salinity index; differential fertilizer

PL

mapa polowa; diagnostyka rozwoju roślin; wskaźnik wegetacji; wskaźniki zasolenia gleby; nawóz zróżnicowany

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Agricultural Engineering
• Rocznik: 2023
• Tom: Vol. 27, No. 1
• Strony: 47--57
• Opis fizyczny: Bibliogr. 21 poz., rys., tab.

Twórcy

autor

Voitik Andrii

• Department of Agroengineering, Faculty of Engineering and Technology, Uman National University of Horticulture, Ukraine

• https://orcid.org/0000-0002-8196-3102

autor

Kravchenko Vasyl

• Department of Agroengineering, Faculty of Engineering and Technology, Uman National University of Horticulture, Ukraine

• https://orcid.org/0000-0003-2334-0705

autor

Pushka Olexandr

• Department of Agroengineering, Faculty of Engineering and Technology, Uman National University of Horticulture, Ukraine

• https://orcid.org/0000-0002-6481-8536

autor

Kutkovetska Tetyana

• Department of Agroengineering, Faculty of Engineering and Technology, Uman National University of Horticulture, Ukraine

• https://orcid.org/0000-0002-4879-2954

autor

Shchur Taras

• GVA Lighting, Inc, Oakville, Ontario, Canada

• https://orcid.org/0000-0003-+0205-032X

autor

Kocira Sławomir

• Department of Machinery Exploitation and Management of Production Processes, University of Life Sciences in Lublin, Lublin, Poland

• https://orcid.org/0000-0002-2888-3023

Bibliografia

• Aceves, E.Á., Guevara, H.J.P., Enríquez, A.C., Gaxiola, J.C., Cervantes, M.P., Barrientos, J.H., Herrera, L.E., Guevara, V.M.P., Samuel, C.L. (2019). Determining Salinity and Ion Soil Using Satellite Image Processing. Polish Journal of Environmental Studies, 28(3), 1549-1560.
• Allbed, A. and Kumar, L. (2013). Soil Salinity Mapping and Monitoring in Arid and Semi-Arid Regions Using Remote Sensing Technology: A Review. Advances in Remote Sensing, 2(4), 373-385.
• Almeida-Ñauñay, A.F., Benito, R.M., Quemada, M., Losada, J.C., Tarquis, A.M. (2020). Complexity of the Vegetation-Climate System Through Data Analysis. International Conference on Complex Networks and Their Applications, 943, 609-619.
• Almeida-Ñauñay, A.F., Tarquisab, A.M., López-Herreraa, J., Pérez-Martína, E., Pancorboac, J.L., Raya-Serenoac, M.D., Quemada, M. (2023). Optimization of soil background removal to improve the prediction of wheat traits with UAV imagery. Computers and Electronics in Agriculture, 205, 107559.
• Boiarskii, B., Hasegawa, H. (2019). Comparison of NDVI and NDRE Indices to Detect Differences in Vegetation and Chlorophyll Content. International Conference on Applied Science, Technology and Engineering. Journal of Mathematical and Computational Science, 4, 20-29.
• Daldegan, A., Gonzalez-Roglich, G., Noon, M., Zvoleff, A.I. (2020). Assessing the performance of NDVI, 2-band EVI and MSAVI vegetation indices for land degradation monitoring across variable biomass cover at global scale [Absract]. American Geophysical Union, Fall Meeting. Retrieved December 6, 2022, https://ui.adsabs.harvard.edu/abs/2020AGUFMSY0030008A/abstract
• Fabijańczyk, P., Zawadzki, J. (2022). Spatial correlations of NDVI and MSAV2 Iindices of green and forested areas of urban agglomeration, case study Warsaw, Poland. Remote Sensing Applications: Society and Environment, 26, 100721.
• Hassan, M.A., Rasheed, A., Yang, G., Reynolds, M., Xia, X., Xiao, Y., He, Z. (2019). A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multi-spectral UAV platform. Plant Science, 282, 95-103.
• Havrylenko Y., Kholodniak Y., Halko S., Vershkov O., Bondarenko L., Suprun O., Miroshnyk O Shchur T., Śrutek M., Gackowska M. (2021). Interpolation with specified error of a point series belonging to a monotone curve. Entropy, 23(5), 493.
• Herbei, M.V., Popescu, C.A., Sala, F. (2022). Characterization of vegetation and prediction of biomass production in silage corn crop based on satellite images. Life Science and Sustainable Development, 3(2), 33-40.
• Huang, S., Tang, L., Hupy, J.P., Wang, Y., Shao, G. (2021). A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forestry Research, 32, 1-6.
• Kayad, A., Sozzi, M., Gatto, S., Marinello, F., Pirotti, F. (2019). Monitoring Within-Field Variability of Corn Yield using Sentinel-2 and Machine Learning Techniques. Remote Sensing, 11(23), 2873.
• Karaiev, O., Bondarenko, L., Halko, S., Miroshnyk, O., Vershkov, O., Karaieva, T., Shchur, T., Findura, P., Prístavka, M. (2021). Mathematical modelling of the fruit-stone culture seeds calibration process using flat sieves. Acta Technologica Agriculturae, 24(3), 119-123.
• Meivel, S., Maheswari, S. (2022). Monitoring of potato crops based on multispectral image feature extraction with vegetation indices. Multidimensional Systems and Signal Processing, 33(3), 1-27.
• Naguib, N.S., Daliman, S. (2022). Analysis of NDVI and NDRE Indices Using Satellite Images for Crop Identification at Kelantan. 4th International Conference on Tropical Resources and Sustainable Sciences 2022 IOP Conf. Series: Earth and Environmental Science, 1102, 012054.
• Nguyen, K., Liou, Y., Tran, H., Hoang, P., Nguyen, T. (2020). Soil salinity assessment by using nearinfrared channel and Vegetation Soil Salinity Index derived from Landsat 8 OLI data: a case study in the Tra Vinh Province, Mekong Delta, Vietnam. Progress in Earth and Planetary Science, 7/1, 1-16.
• Phung, H., Nguyen, L., Nguyen-Huy, T., Le-Toan, T., Apan, A. (2020). Monitoring rice growth status in the Mekong Delta, Vietnam using multitemporal Sentinel-1 data. Journal of Applied Remote Sensing, 14(1), 014518.
• Qawaqzeh, M.Z., Miroshnyk, O., Shchur, T., Kasner, R., Idzikowski, A., Kruszelnicka, W., Tomporowski, A., Bałdowska-Witos, P., Flizikowski, J., Zawada, M., Doerffer, K. (2021). Research of emergency modes of wind power plants using computer simulation. Energies, 14(16), 4780.
• Sagan, V., Sidike, P., Daloye, A., Erkbol, H., Fritschi, F., Maimaitijiang, M. (2020). Crop Monitoring Using Satellite/UAV Data Fusion and Machine Learning. Remote Sens, 12(9), 1357.
• Shammi, S.A., Meng, Q. (2021). Use time series NDVI and EVI to develop dynamic crop growth metrics for yield modeling. Ecological Indicators, 121, 107124.
• Solangi, K.A., Siyal, A.A., Wu, Y., Abbasi, B., Solangi, F., Lakhiar, I.A., Zhou, G. (2019). An Assessment of the Spatial and Temporal Distribution of Soil Salinity in Combination with Field and Satellite Data: A Case Study in Sujawal District. Agronomy, 9(12), 869.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).