МЕТОДИКА ОЦЕНКИ УРОЖАЙНОСТИ ВИНОГРАДНОГО НАСАЖДЕНИЯ ПО СПЕКТРАЛЬНЫМ ИНДЕКСАМ ПОЧВЕННЫХ ПАТТЕРНОВ
DOI 10.12737/2782-490X-2025-4-4-30-39 УДК 634.8:631.4
Ключевые слова:
дистанционное зондирование, виноградник, почвенные паттерны, спектральные индексы, урожайность, Sentinel, машинное обучение, точное земледелие, терруар, мониторингАннотация
В статье представлена методика дистанционной оценки продуктивности виноградных агроценозов, основанная на анализе устойчивых спектральных паттернов почвеннорастительного покрова. Исследование выполнено на виноградниках Анапского района Краснодарского края с использованием временных рядов мультиспектральных данных спутников Sentinel-2. Ключевой задачей являлась разработка автоматизированного подхода к выделению почвенных паттернов, отражающих неоднородность терруара, и установление их связи с фактической урожайностью. Методология включает комплексный анализ вегетационных индексов
(NDVI, SAVI, NDWI, ELI) в ключевые фенологические фазы, их статистическую корреляцию с
агрохимическими свойствами почвы (содержание органического вещества, подвижного калия и
фосфора, pH, карбонатность) и метеорологическими факторами. С применением алгоритмов машинного обучения осуществлена классификация пикселей изображений, позволившая выделить
три устойчивых типа спектральных паттернов, соответствующих зонам высокого, среднего и
низкого продуктивного потенциала. Результаты показали высокую зависимость урожайности от
почвенных условий и влагообеспеченности выраженную через спектральные индексы. Наибольшая продуктивность ассоциирована с паттерном, характеризующимся повышенными значениями
NDVI (>0,55) и SAVI (>0,8), а также умеренным водным стрессом NDWI (> -0,5). Разработано
регрессионное уравнение для прогноза урожайности на основе индексов (R² = 0,86). Точность
автоматизированного выделения почвенных паттернов составила 85–90% (каппа 0,78–0,84).
Методика позволяет перейти к прецизионному управлению виноградниками, оптимизируя агротехнические мероприятия дифференцированно для каждой выделенной микрозоны, что является
основой для повышения эффективности и устойчивости виноградарства.
Для цитирования: Методика оценки урожайности виноградного насаждения по спектральным индексам почвенных паттернов / В.А. Орлов, А.А. Лукьянов, О.И. Михайловская
С.С. Михайловский // Агробиотехнологии и цифровое земледелие. 2025. № 4 (16). С. 30-39 http://
dx.doi.org/10.12737/2782-490X-2025-4-4-30-39
Библиографические ссылки
Литература
Орлов В.А., Лукьянов А.А., Михайловская О.И. Определение морфометрических показателей почвенной поверхности виноградного насаждения по спектральным каналам спутниковых изображений // Аграрная наука. 2024. № 10. С. 159-164. doi: 10.32634/0869-8155-2024-387-10-159-164.
Орлов В.А., Лукьянов А.А. Оценочные признаки виноградопригодных земель по спектральным паттернам // Вестник Казанского государственного аграрного университета. 2023. Т. 1. С. 69.
Савин И.Ю., Савенкова Е.В., Кучер Д.Е. Оценка контрастности почвенного покрова пахотных угодий
по спутниковым данным Sentinel-2 // Почвоведение. 2021. № 11. С. 1295-1305. doi: 10.31857/
S0032180X21110125.
Прудникова Е.Ю., Савин И.Ю. Спутниковая оценка дегумификации пахотных почв в Саратовском
Поволжье // Почвоведение. 2015. № 5. С. 597. doi: 10.7868/S0032180X1505007X.
Abdi A., Khormali F., Emamian V. Soil properties estimation using Sentinel-2 satellite data and machine
learning algorithms: A case study in vineyard terrains // Geoderma. 2020. Vol. 365. P. 114178. doi: 10.1016/
j.geoderma.2020.114178.
Тимиргалеева Р.Р., Гришин И.Ю., Рыбалко Е.А. Анализ методов дистанционной диагностики плодородия виноградных агроценозов // Дистанционные образовательные технологии: Материалы IV Всероссийской научно-практической конференции (с международным участием), Посвящается 75-летию ГПА, Ялта,
–21 сентября 2019 года / Под ред. В.Н. Тарана. Ялта: ООО «Издательство Типография «Ариал», 2019. С.
-338.
Becker S. J. et al. Bare ground classification using a spectral index ensemble and machine learning models
optimized across 12 international study sites //Geocarto International. 2025. Т. 40. №. 1. С. 2465452.
Simón Sánchez A.M. et al. Convolutional neural networks for agricultural land use classification from Sentinel-2 image time series // Remote Sensing. 2022. Vol. 14. № 21. P. 5373. doi: 10.3390/rs14215373.
Thaler E.A., Larsen I.J., Yu Q. A new index for remote sensing of soil organic carbon based solely on visible
wavelengths // Soil Science Society of America Journal. 2019. Vol. 83. № 5. P. 1443-1450. doi: 10.2136/
sssaj2018.09.0318.
Eslava-Lecumberri F.J., Jiménez-Ballesta R. Delineating vineyard management zones: Intrafield spatial
variability of soil properties of carbonate vineyard soils // European Journal of Soil Science. 2024. Vol. 75. № 6. P.
e70029. doi: 10.1111/ejss.70029.
Павлова А.И. Применение вегетационных индексов для цифрового почвенного картографирования
на основе космических снимков Sentinel-2 // Siberian Journal of Life Sciences and Agriculture. 2021. Т. 13, № 6.
С. 119-131. doi: 10.12731/2658-6649-2021-13-6-119-131.
de Campos Assunção J.M.S. Terrain classification using machine learning algorithms in a multi-temporal
approach A QGIS plug-in implementation: Universidade NOVA de Lisboa, 2021. doi: 10.3390/rs14153802.
Ramos T.B. et al. Soil salinity assessment using vegetation indices derived from Sentinel-2 multispectral
data. application to Lezíria Grande, Portugal // Agricultural Water Management. 2020. Vol. 241. P. 106387. doi:
1016/j.agwat.2020.106387.
Abdi A., Khormali F., Emamian V. Soil properties estimation using Sentinel-2 satellite data and machine
learning algorithms: A case study in vineyard terrains // Geoderma. 2020. Vol. 365. P. 114178. doi: 10.1016/
j.geoderma.2020.114178.
Виноградарство России. 2022 Электронный ресурс. https://geonovosti.terratech.ru/upload/
iblock/653/20o2jr9s6ofi590on9tbcua3rl4w1h09/Vinogradarstvo-Rossii.pdf /дата обращения 18.03.2025/
Eslava-Lecumberri F.J., Jiménez-Ballesta R. Delineating vineyard management zones: Intrafield spatial
variability of soil properties of carbonate vineyard soils // European Journal of Soil Science. 2024. Vol. 75. № 6. P.
e70029. doi: 10.1111/ejss.70029.
Zeyada A.M. et al. Sentinel-2 Satellite Imagery Application to Monitor Soil Salinity and Calcium Carbonate
Contents in Agricultural Fields // Phyton. 2023. Vol. 92. № 5. doi: 10.32604/phyton.2023.027267.
Gomez C. et al. Topsoil clay content mapping in croplands from Sentinel-2 data: Influence of atmospheric
correction methods across a season time series // Geoderma. 2022. Vol. 423. P. 115959. doi: 10.1016/
j.geoderma.2022.115959.
Crespo N. et al. Satellite remote sensing tools for drought assessment in vineyards and olive orchards: A
systematic review // Remote Sensing. 2024. Vol. 16. № 11. P. 2040. doi: 10.3390/rs16112040.
Lasko K., O’Neill F. D., Sava E. Automated mapping of land cover type within international heterogenous
landscapes using sentinel-2 imagery with ancillary geospatial data //Sensors. 2024. Т. 24. №. 5. С. 1587.
doi: 10.3390/s24051587
Ammoniaci M. et al. State of the art of monitoring technologies and data processing for precision viticulture // Agriculture. 2021. Vol. 11. № 3. P. 201. doi: 10.3390/agriculture11030201.
References
Orlov VA, Lukyanov AA, Mikhaylovskaya OI. [Determination of morphometric indicators of the soil surface of
vineyard plantations using spectral channels of satellite images]. Agrarnaya nauka. 2024; 10. 159-164 p. doi:
32634/0869-8155-2024-387-10-159-164.
Orlov VA, Lukyanov AA. [Evaluative characteristics of vine-suitable lands based on spectral patterns]. Vestnik
Kazanskogo gosudarstvennogo agrarnogo universiteta. 2023; Vol.1. 69 p.
Savin IYu, Savenkova EV, Kucher DE. [Assessment of soil cover contrast of arable lands using Sentinel-2 satellite
data]. Pochvovedenie. 2021; 11. 1295-1305 p. doi: 10.31857/S0032180X21110125.
Prudnikova EYu, Savin IYu. [Satellite assessment of arable soil dehumification in Saratov Volga region].
Pochvovedenie. 2015; 5. 597 p. doi: 10.7868/S0032180X1505007X.
Abdi A, Khormali F, Emamian V. Soil properties estimation using Sentinel-2 satellite data and machine learning
algorithms: A case study in vineyard terrains. Geoderma. 2020; Vol.365. 114178 p. doi: 10.1016/j.geoderma.2020.114178.
Timirgaleeva RR, Grishin IYu, Rybalko EA. [Analysis of remote diagnostics methods of fertility grape agrocenoses.
Distance educational technologies]. Materialy IV Vserossiyskoy nauchno-prakticheskoy konferentsii (s mezhdunarodnym
uchastiem), posvyashchaetsya 75-letiyu GPA, Yalta, 16-21 sentyabrya 2019 goda. Editorship V.N. Taran. Yalta: OOO
Izdatelstvo Tipografiya “Arial”. 2019; 331-338 p.
Becker SJ. Bare ground classification using a spectral index ensemble and machine learning models optimized
across 12 international study sites. Geocarto International. 2025; Vol.40. 1. 2465452 p.
Simon Sanchez AM. Convolutional neural networks for agricultural land use classification from Sentinel-2 image
time series. Remote Sensing. 2022; Vol.14. 21. 5373 p. doi: 10.3390/rs14215373.
Thaler EA, Larsen IJ, Yu Q. A new index for remote sensing of soil organic carbon based solely on visible wavelengths. Soil Science Society of America Journal. 2019; Vol.83. 5. 1443-1450 p. doi: 10.2136/sssaj2018.09.0318.
Eslava-Lecumberri FJ, Jimenez-Ballesta R. Delineating vineyard management zones: Intrafield spatial variability
of soil properties of carbonate vineyard soils. European Journal of Soil Science. 2024; Vol.75. 6. e70029 p. doi: 10.1111/
ejss.70029.
Pavlova AI. [Application of vegetation indices for digital soil mapping based on Sentinel-2 satellite images]. Siberian Journal of Life Sciences and Agriculture. 2021; Vol.13. 6. 119-131 p. doi: 10.12731/2658-6649-2021-13-6-119-131.
de Campos Assuncao JMS. Terrain classification using machine learning algorithms in a multi-temporal approach
A QGIS plug-in implementation: Universidade NOVA de Lisboa. 2021; doi: 10.3390/rs14153802.
Ramos TB. Soil salinity assessment using vegetation indices derived from Sentinel-2 multispectral data. Application to Leziria Grande, Portugal. Agricultural Water Management. 2020; Vol.241. 106387 p. doi: 10.1016/
j.agwat.2020.106387.
Abdi A, Khormali F, Emamian V. Soil properties estimation using Sentinel-2 satellite data and machine learning
algorithms: A case study in vineyard terrains. Geoderma. 2020; Vol.365. 114178 p. doi: 10.1016/j.geoderma.2020.114178.
Viticulture in Russia. 2022. [Internet]. Geonovosti. [cited 2025, March 18]. Available from: https://
geonovosti.terratech.ru/upload/iblock/653/20o2jr9s6ofi590on9tbcua3rl4w1h09/Vinogradarstvo-Rossii.pdf
Eslava-Lecumberri FJ, Jimenez-Ballesta R. Delineating vineyard management zones: Intrafield spatial variability
of soil properties of carbonate vineyard soils. European Journal of Soil Science. 2024; Vol.75. 6. e70029 p. doi: 10.1111/
ejss.70029.
Zeyada AM. Sentinel-2 satellite imagery application to monitor soil salinity and calcium carbonate contents in
agricultural fields. Phyton. 2023; Vol.92. 5. doi: 10.32604/phyton.2023.027267.
Gomez C. Topsoil clay content mapping in croplands from Sentinel-2 data: Influence of atmospheric correction
methods across a season time series. Geoderma. 2022; Vol.423. 115959 p. doi: 10.1016/j.geoderma.2022.115959.
Crespo N. Satellite remote sensing tools for drought assessment in vineyards and olive orchards: A systematic
review. Remote Sensing. 2024; Vol.16. 11. 2040 p. doi: 10.3390/rs16112040.
Lasko K, O’Neill FD, Sava E. Automated mapping of land cover type within international heterogenous landscapes using Sentinel-2 imagery with ancillary geospatial data. Sensors. 2024; Vol.24. 5. 1587 p. doi: 10.3390/s24051587
Ammoniaci M. State of the art of monitoring technologies and data processing for precision viticulture. Agriculture. 2021; Vol.11. 3. 201 p. doi: 10.3390/agriculture11030201.
