<?xml version="1.0" encoding="UTF-8"?>
    <!DOCTYPE article PUBLIC "-//NLM/DTD JATS (Z39.96) Journal Publishing DTD v1.2 20120330//EN" "http://jats.nlm.nih.gov/publishing/1.2/JATS-journalpublishing1.dtd">
    <!--<?xml-stylesheet type="text/xsl" href="article.xsl">-->
<article xmlns:ns0="http://www.w3.org/1999/xlink" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" article-type="research-article" dtd-version="1.2" xml:lang="en">
	<front>
		<journal-meta>
			<journal-id journal-id-type="eissn">2564-890X</journal-id>
			<journal-title-group>
				<journal-title>Journal of Agriculture and Environment</journal-title>
			</journal-title-group>
			<publisher>
				<publisher-name>ООО Цифра</publisher-name>
			</publisher>
		</journal-meta>
		<article-meta>
			<article-id pub-id-type="doi">10.60797/JAE.2026.74.10</article-id>
			<article-categories>
				<subj-group>
					<subject>Brief communication</subject>
				</subj-group>
			</article-categories>
			<title-group>
				<article-title>СОРТОВАЯ ДИАГНОСТИКА ЯРОВОЙ ПШЕНИЦЫ НА ОСНОВЕ МУЛЬТИСПЕКТРАЛЬНОЙ СЪЕМКИ С БПЛА</article-title>
			</title-group>
			<contrib-group>
				<contrib contrib-type="author" corresp="yes">
					<contrib-id contrib-id-type="orcid">https://orcid.org/0000-0002-2668-4776</contrib-id>
					<contrib-id contrib-id-type="rinc">https://elibrary.ru/author_profile.asp?id=99904</contrib-id>
					<contrib-id contrib-id-type="rid">https://publons.com/researcher/G-8361-2016</contrib-id>
					<name>
						<surname>Якубайлик</surname>
						<given-names>Олег Эдуардович</given-names>
					</name>
					<email>oleg@icm.krasn.ru</email>
					<xref ref-type="aff" rid="aff-2">2</xref>
				</contrib>
				<contrib contrib-type="author">
					<name>
						<surname>Трубников</surname>
						<given-names>Юрий Николаевич</given-names>
					</name>
					<email>trubnikov124@yandex.ru</email>
					<xref ref-type="aff" rid="aff-1">1</xref>
				</contrib>
			</contrib-group>
			<aff id="aff-1">
				<label>1</label>
				<institution>Красноярский научный центр Сибирского отделения Российской академии наук</institution>
			</aff>
			<aff id="aff-2">
				<label>2</label>
				<institution>Институт вычислительного моделирования Сибирского отделения Российской академии наук</institution>
			</aff>
			<pub-date publication-format="electronic" date-type="pub" iso-8601-date="2026-10-19">
				<day>19</day>
				<month>10</month>
				<year>2026</year>
			</pub-date>
			<pub-date pub-type="collection">
				<year>2026</year>
			</pub-date>
			<volume>5</volume>
			<issue>74</issue>
			<fpage>1</fpage>
			<lpage>5</lpage>
			<history>
				<date date-type="received" iso-8601-date="2026-08-24">
					<day>24</day>
					<month>08</month>
					<year>2026</year>
				</date>
				<date date-type="accepted" iso-8601-date="2026-09-24">
					<day>24</day>
					<month>09</month>
					<year>2026</year>
				</date>
			</history>
			<permissions>
				<copyright-statement>Copyright: &amp;#x00A9; 2022 The Author(s)</copyright-statement>
				<copyright-year>2022</copyright-year>
				<license license-type="open-access" xlink:href="http://creativecommons.org/licenses/by/4.0/">
					<license-p>
						This is an open-access article distributed under the terms of the Creative Commons Attribution 4.0 International License (CC-BY 4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original author and source are credited. See 
						<uri xlink:href="http://creativecommons.org/licenses/by/4.0/">http://creativecommons.org/licenses/by/4.0/</uri>
					</license-p>
					.
				</license>
			</permissions>
			<self-uri xlink:href="https://jae.cifra.science/archive/10-74-2026-october/10.60797/JAE.2026.74.10"/>
			<abstract>
				<p>Предметом исследований является возможность применения мультиспектральной съемки с БПЛА для сортовой диагностики яровой пшеницы. Объектами исследований служили сорта яровой пшеницы, возделываемые на сортоиспытательных участках, расположенных в различных агроэкологических условиях: раннеспелый сорт Арабелла, среднеспелые сорта Акцент и Алтайская 75. Посредством мультиспектральной камеры MicaSense RedEdge-MX, установленной на БПЛА DJI Matrice 350 RTK, получены данные вегетационных индексов NDVI, NDRE, GCI и VARI. Установлено, что наиболее контрастные различия между сортами проявляются в фазу «начало созревания», что объясняется различной спектральной отражательной способностью посевов в зависимости от группы спелости культуры. Выявлена высокая корреляция между вегетационными индексами и показателями N-тестера (r = 0,61–0,71), что указывает на сопряженность результатов дистанционного и наземного мониторинга агроценозов. Обосновывается положение о том, что дистанционное зондирование может заменить или дополнить полевую апробацию посевов.</p>
			</abstract>
			<kwd-group>
				<kwd>сортовая диагностика</kwd>
				<kwd> яровая пшеница</kwd>
				<kwd> вегетационные индексы</kwd>
				<kwd> мультиспектральная съемка</kwd>
				<kwd> сортоиспытательные участки</kwd>
			</kwd-group>
		</article-meta>
	</front>
	<body>
		<sec>
			<title>HTML-content</title>
			<p>1. Введение</p>
			<p>Яровая пшеница является одной из ведущих зерновых культур в структуре посевных площадей Приенисейской Сибири. Увеличение производства зерна высокого качества невозможно без совершенствования системы сортового контроля и семеноводства [1]. Традиционные методы сортовой идентификации, основанные на морфологическом анализе растений в полевых условиях, трудоемки, субъективны и не позволяют оперативно оценивать сортовую структуру посевов на больших площадях. Развитие технологий дистанционного зондирования Земли (ДЗЗ) с использованием мультиспектральной съемки, открывает новые возможности для решения этой задачи [2]. Вегетационные индексы (ВИ), рассчитываемые на основе уникальной спектральной отражательной способности посевов, позволяют объективно оценивать фотосинтетический потенциал растений, их физиологическое состояние и, как следствие, идентифицировать состав растительного покрова [3], [4], распознавать сельскохозяйственные культуры [5], [6], [7], давать общую оценку качеству семян, что в итоге, формирует информационную основу для адаптивно-ландшафтного [8] и цифрового земледелия [9].</p>
			<p>Агроэкологические условия земледельческой зоны Приенисейской Сибири — от подтаежных районов на севере до степных на юге, характеризуются значительным разнообразием, что обуславливает необходимость подбора адаптивных сортов. Ежегодная сортовая оценка (апробация) посевов, в соответствие с требованиями законодательства [10], проводится специалистами «Россельхозцентра». Только по Красноярскому краю в 2025 г было апробировано более 260 тыс. га посевов в 339 хозяйствах. Большие площади апробации предопределяют необходимость разработки и внедрения более производительных и объективных методов сортовой диагностики, что и определяет актуальность проводимых исследований. Востребованность результатов работы обосновывается также необходимостью получения статистических данных о площади культур и сортов, мониторинга состояния посевов сельскохозяйственных культур. Если распознавание посевов на уровне культуры освоено достаточно полно [1], [7], [11], то сортовая дифференциация остается малоизученной темой.</p>
			<p>Цель настоящего исследования — оценка возможности применения мультиспектральной съемки с БПЛА для дистанционной диагностики сортовых различий яровой пшеницы.</p>
			<p>2. Методы и принципы исследования</p>
			<p>Исследования проведены на государственных сортоиспытательных участках, расположенных в трех природно-климатических зонах Приенисейской Сибири: Казачинский ГСУ (подтаежная зона), Уярский ГСУ (лесостепная зона) и Бейский ГСУ (степная зона). Объектами исследований служили три сорта яровой мягкой пшеницы различных групп спелости: Арабелла (раннеспелый, вегетационный период 77–86 дней), Акцент (среднеспелый, 85–100 дней) и Алтайская 75 (среднеспелый, 79–95 дней).</p>
			<p>Мультиспектральная съемка проведена с использованием камеры MicaSense RedEdge-MX, оснащенной пятью независимыми спектральными каналами: синим (475 нм), зеленым (560 нм), красным (668 нм), красным краем (717 нм) и ближним инфракрасным (842 нм). Камера с датчиком освещенности DLS2 устанавливалась на платформы БПЛА DJI Matrice 210 V2 и DJI Matrice 350 RTK. Съемка велась с высоты 120 м, что обеспечивало пространственное разрешение ~8 см/пикс. по фазам вегетации: кущение, выход в трубку, колошение, начало созревания, полное созревание. Для каждого сорта рассчитаны четыре вегетационных индекса (ВИ): NDVI, NDRE, GCI, VARI. Синхронно с мультиспектральной съемкой проводились наземные измерения относительного содержания хлорофилла в растениях с использованием N-тестера SPAD-502. Измерения выполнялись на 20 растениях с каждой делянки.</p>
			<p>3. Основные результаты</p>
			<p>На рисунке 1 отображена визуализация вегетационных индексов NDVI, NDRE, GCI и VARI для отличающихся по скороспелости сортов яровой пшеницы в фазу «начало созревания» при различных агроэкологических условиях.</p>
			<fig id="F1">
				<label>Figure 1</label>
				<caption>
					<p>Визуализация вегетационных индексов NDVI, NDRE, GCI и VARI для различных по скороспелости сортов яровой пшеницы на Казачинском (А), Уярском (Б) и Бейском (В) ГСУ: 1 – Арабелла; 2 – Акцент; 3 – Алтайская 75</p>
				</caption>
				<alt-text>Визуализация вегетационных индексов NDVI, NDRE, GCI и VARI для различных по скороспелости сортов яровой пшеницы на Казачинском (А), Уярском (Б) и Бейском (В) ГСУ: 1 – Арабелла; 2 – Акцент; 3 – Алтайская 75</alt-text>
				<graphic ns0:href="/media/images/2026-08-24/5c8dd627-93ad-4217-9fe3-9574298d467b.png"/>
			</fig>
			<p>Установлены межсортовые различия как в пределах одного ГСУ, так и при их сравнении с другими ГСУ. Самый северный объект исследования (Казачинский ГСУ) имеет самые низкие значения всех четырех ВИ. Напротив, самый южный объект (Бейский ГСУ) имеет самые высокие значения ВИ для всех сортов пшеницы, что объясняется более благоприятной тепло- и влагообеспеченностью в степной зоне по сравнению с подтаежной.</p>
			<p>Дана оценка информативности вегетационных индексов для сортовой дифференциации посевов яровой пшеницы в зависимости от зональных агроэкологических условий (рисунок 2).</p>
			<fig id="F2">
				<label>Figure 2</label>
				<caption>
					<p>Информативность вегетационных индексов сортовых посевов яровой пшеницы в зависимости от зональных агроэкологических условий: А – NDVI; Б – NDRE; В – GCI; Г – VARI</p>
				</caption>
				<alt-text>Информативность вегетационных индексов сортовых посевов яровой пшеницы в зависимости от зональных агроэкологических условий: А – NDVI; Б – NDRE; В – GCI; Г – VARI</alt-text>
				<graphic ns0:href="/media/images/2026-08-24/7e996234-29b3-4f4b-915e-098df5519c6d.jpg"/>
			</fig>
			<p>4. Обсуждение</p>
			<p>Установлено, что различия показателей ВИ обуславливались, в первую очередь, сортовыми морфофизиологическими особенностями пшеницы, определяющими группу скороспелости культуры. Сорт Акцент Уярского ГСУ имеет практически одинаковые значения NDVI с Бейским ГСУ и лидирует по всем остальным представленным значениям ВИ, кроме индекса VARI, по которому самые высокие значения этот сорт показывает на Бейском ГСУ. Сорта Алтайская 75 и Арабелла Бейского ГСУ имеют самые высокие значения вегетационных индексов, кроме NDRE. Все три сорта, произрастающих на Казачинском ГСУ, показали самые низкие значения рассматриваемых ВИ. Показанные особенности объясняются фактором географического расположения объектов исследования с сопутствующими агроэкологическими условиями.</p>
			<p>Анализ сезонной динамики вегетационных индексов показал, что максимальные показатели ВИ по всем сортам пшеницы отмечаются в ранние сроки вегетации (фазы кущения — выхода в трубку). В дальнейшем, по мере созревания растений, происходит снижение фотосинтетического потенциала и, как следствие, уменьшение значений ВИ. Наиболее отчетливая сортовая дифференциация пшеницы проявлялась в фазу «начало созревания» (таблица 1). В эту фазу различия в скорости старения листьев, а, следовательно, изменения их цветовой гаммы, у сортов разных групп спелости достигают максимума, что отражается на спектральной отражательной способности посевов.</p>
			<table-wrap id="T1">
				<label>Table 1</label>
				<caption>
					<p>Значения вегетационных индексов для сортов яровой пшеницы на разных ГСУ в фазу «начало созревания»</p>
				</caption>
				<table>
					<tr>
						<td>​Сорт</td>
						<td>ГСУ​</td>
						<td>NDVI​</td>
						<td>​NDRE</td>
						<td>​GCI</td>
						<td>​VARI</td>
					</tr>
					<tr>
						<td>Арабелла​</td>
						<td>Казачинский​</td>
						<td>0,52</td>
						<td>0,35​</td>
						<td>​0,84</td>
						<td>​0,28</td>
					</tr>
					<tr>
						<td>​Арабелла</td>
						<td>​Уярский</td>
						<td>​0,68</td>
						<td>​0,48</td>
						<td>​1,21</td>
						<td>​0,38</td>
					</tr>
					<tr>
						<td>​Арабелла</td>
						<td>​Бейский</td>
						<td>​0,74</td>
						<td>​0,52</td>
						<td>​1,38</td>
						<td>​0,44</td>
					</tr>
					<tr>
						<td>​Акцент</td>
						<td>​Казачинский</td>
						<td>​0,58</td>
						<td>​0,39</td>
						<td>0,96​</td>
						<td>​0,31</td>
					</tr>
					<tr>
						<td>​Акцент</td>
						<td>​Уярский</td>
						<td>​0,75</td>
						<td>​0,54</td>
						<td>​1,42</td>
						<td>​0,42</td>
					</tr>
					<tr>
						<td>​Акцент</td>
						<td>​Бейский</td>
						<td>​0,76</td>
						<td>​0,55</td>
						<td>​1,45</td>
						<td>​0,48</td>
					</tr>
					<tr>
						<td>​Алтайская 75</td>
						<td>​Казачинский</td>
						<td>0,55​</td>
						<td>​0,37</td>
						<td>​0,89</td>
						<td>​0,29</td>
					</tr>
					<tr>
						<td>​Алтайская 75</td>
						<td>​Уярский</td>
						<td>​0,71</td>
						<td>​0,50</td>
						<td>​1,28</td>
						<td>​0,40</td>
					</tr>
					<tr>
						<td>​Алтайская 75</td>
						<td>​Бейский</td>
						<td>​0,75</td>
						<td>​0,51</td>
						<td>​1,36</td>
						<td>​0,45</td>
					</tr>
				</table>
			</table-wrap>
			<p>На полях ГСУ синхронно с мультиспектральной съемкой проводилась наземная диагностика концентрации хлорофилла с помощью N-тестера SPAD-502. Установлена высокая степень зависимости показателей всех фиксируемых ВИ между собой (таблица 2).</p>
			<table-wrap id="T2">
				<label>Table 2</label>
				<caption>
					<p>Корреляционная матрица вегетационных индексов и N-тестера</p>
				</caption>
				<table>
					<tr>
						<td>​Индексы</td>
						<td>NDVI​</td>
						<td>​NDRE</td>
						<td>​GCI</td>
						<td>​VARI</td>
						<td>N-тестер​</td>
					</tr>
					<tr>
						<td>​NDVI</td>
						<td>1,00​</td>
						<td>​0,94</td>
						<td>​0,91</td>
						<td>​0,82</td>
						<td>​0,68</td>
					</tr>
					<tr>
						<td>​NDRE</td>
						<td>​0,94</td>
						<td>​1,00</td>
						<td>​0,92</td>
						<td>​0,78</td>
						<td>​0,71</td>
					</tr>
					<tr>
						<td>​GCI</td>
						<td>​0,91</td>
						<td>​0,92</td>
						<td>​1,00</td>
						<td>​0,74</td>
						<td>​0,65</td>
					</tr>
					<tr>
						<td>​VARI</td>
						<td>​0,82</td>
						<td>​0,78</td>
						<td>​0,74</td>
						<td>​1,00</td>
						<td>​0,59</td>
					</tr>
					<tr>
						<td>​N-тестер</td>
						<td>​0,68</td>
						<td>​0,71</td>
						<td>​0,65</td>
						<td>​0,59</td>
						<td>1,00​</td>
					</tr>
				</table>
			</table-wrap>
			<p>Выявленные зональные различия абсолютных значений ВИ обусловлены комплексом агроэкологических факторов: температурным режимом, влагообеспеченностью, продолжительностью вегетационного периода.</p>
			<p>Сравнительный анализ информативности различных ВИ показал, что NDVI и NDRE являются наиболее универсальными для задач сортовой дифференциации.</p>
			<p>5. Заключение</p>
			<p>Исследования, проведенные на Казачинском, Уярском и Бейском ГСУ, находящихся в разных агроэкологических условиях Приенисейской Сибири, показали возможность применения мультиспектральной съемки с БПЛА в сочетании с наземным мониторингом для сортового дифференцирования яровой пшеницы. Полученные результаты могут служить основой для разработки методических рекомендаций по дистанционному сортовому контролю в условиях Приенисейской Сибири.</p>
		</sec>
		<sec sec-type="supplementary-material">
			<title>Additional File</title>
			<p>The additional file for this article can be found as follows:</p>
			<supplementary-material xmlns:xlink="http://www.w3.org/1999/xlink" id="S1" xlink:href="https://doi.org/10.5334/cpsy.78.s1">
				<!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://jae.cifra.science/media/articles/27250.docx">27250.docx</inline-supplementary-material>]-->
				<!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://jae.cifra.science/media/articles/27250.pdf">27250.pdf</inline-supplementary-material>]-->
				<label>Online Supplementary Material</label>
				<caption>
					<p>
						Further description of analytic pipeline and patient demographic information. DOI:
						<italic>
							<uri>https://doi.org/10.60797/JAE.2026.74.10</uri>
						</italic>
					</p>
				</caption>
			</supplementary-material>
		</sec>
	</body>
	<back>
		<ack>
			<title>Acknowledgements</title>
			<p/>
		</ack>
		<sec>
			<title>Competing Interests</title>
			<p/>
		</sec>
		<ref-list>
			<ref id="B1">
				<label>1</label>
				<mixed-citation publication-type="confproc">Асадуллаев Р.Г. Технология интеллектуального распознавания сельскохозяйственных культур нейронной сетью по мультиспектральным многовременным данным дистанционного Земли / Р.Г. Асадуллаев, Н.И. Кузьменко // Экономика. Информатика. — 2022. — № 49 (1). — с. 159–168. DOI: 10.52575/2687-0932-2022-49-1-159-168.</mixed-citation>
			</ref>
			<ref id="B2">
				<label>2</label>
				<mixed-citation publication-type="confproc">Якушев В.П. Корреляционные зависимости между вегетационными индексами, урожаем зерна и оптическими характеристиками листьев пшеницы при разном содержании в почве азота и густоте посева / В.П. Якушев, Е.В. Канаш, Д.В. Русаков, В.В. Якушев, С.Ю. Блохина, А.Ф. Петрушин, Ю.И. Блохин, О.А. Митрофанова, Е.П. Митрофанов // Сельскохозяйственная биология. — 2022. — № 57 (1). — с. 98–112. DOI: 10.15389/agrobiology.2022.1.98rus.</mixed-citation>
			</ref>
			<ref id="B3">
				<label>3</label>
				<mixed-citation publication-type="confproc">Гопп Н.В. Оценка влияния мезорельефа склона на пространственную изменчивость свойств почвы и характеристики растительного покрова по данным дистанционного зондирования Земли / Н.В. Гопп, Т.В. Нечаева, О.А. Савенков, Н.В. Смирнова, В.В. Смирнов // Исследование Земли из космоса. — 2016. — № 3. — с. 66–74. DOI: 10.7868/S0205961416030052.</mixed-citation>
			</ref>
			<ref id="B4">
				<label>4</label>
				<mixed-citation publication-type="confproc">Комарова А.Ф. Открытые мультиспектральные данные и основные методы дистанционного зондирования в изучении растительного покрова / А.Ф. Комарова, И.В. Журавлева, В.М. Яблоков // Принципы экологии. — 2016. — № 1 (17). — с. 42–80.</mixed-citation>
			</ref>
			<ref id="B5">
				<label>5</label>
				<mixed-citation publication-type="confproc">Кузьменко Н.И. Нейронная сеть для классификации сельскохозяйственных культур по многоспектральным данным дистанционного зондирования Земли / Н.И. Кузьменко, Р.Г. Асадуллаев // Информационные технологии в науке, образовании и производстве (ИТНОП-2020) сборник материалов VIII Международной научно-технической конференци; под ред. Болгова Е.В. — Белгород: Издательский дом БелГУ, 2019. — С. 352–357.</mixed-citation>
			</ref>
			<ref id="B6">
				<label>6</label>
				<mixed-citation publication-type="confproc">Вилюнов С.Д. Проверка алгоритма дистанционной идентификации сельскохозяйственных культур по спутниковым цифровым данным вегетационного индекса NDVI / С.Д. Вилюнов, М.М. Чернышов, С.В. Потаракин, М.А. Мартынов, Л.И. Глазкова, Е.В. Митюхина // Зернобобовые и крупяные культуры. — 2023. — № 4 (48). — с. 140–150. DOI: 10.24412/2309-348X-2023-4-140-150.</mixed-citation>
			</ref>
			<ref id="B7">
				<label>7</label>
				<mixed-citation publication-type="confproc">Чурсин И.Н. Распознавание сельскохозяйственных культур по мультиспектральным космическим снимкам высокого разрешения / И.Н. Чурсин, Д.В. Филиппов, И.Н. Горохова // Вестник компьютерных и информационных технологий. — 2018. — № 11 (173). — с. 22–27. DOI: 10.14489/vkit.2018.11.pp.022-027.</mixed-citation>
			</ref>
			<ref id="B8">
				<label>8</label>
				<mixed-citation publication-type="confproc">Кирюшин В.И. Теория адаптивно-ландшафтного земледелия и проектирование агроландшафтов / В.И. Кирюшин — Москва: КолосС, 2011. — 443 с.</mixed-citation>
			</ref>
			<ref id="B9">
				<label>9</label>
				<mixed-citation publication-type="confproc">Якушев В.П. Интеллектуальные системы поддержки технологических решений в точном земледелии / В.П. Якушев, В.В. Якушев, Д.А. Матвеенко // Земледелие. — 2020. — № 1. — с. 33–37. DOI: 10.24411/0044-3913-2020-10109.</mixed-citation>
			</ref>
			<ref id="B10">
				<label>10</label>
				<mixed-citation publication-type="confproc">Российская Федерация. Законы. О семеноводстве: Федер. закон: [от 30.12.2021 № 454-ФЗ] // Официальный интернет-портал правовой информации. — URL: http://pravo.gov.ru/proxy/ips/?docbody=&amp;amp;firstDoc=1&amp;amp;lastDoc=1&amp;amp;nd=602709845 (дата обращения: 24.08.2026)</mixed-citation>
			</ref>
			<ref id="B11">
				<label>11</label>
				<mixed-citation publication-type="confproc">Кононов В.М. Алгоритм подготовки мультиспектральных спутниковых данных для задачи классификации сельскохозяйственных культур / В.М. Кононов, Р.Г. Асадуллаев, Н.И. Кузьменко // Научный результат. Информационные технологии. — 2020. — № 5 (2). — с. 18–24. DOI: 10.18413/2518-1092-2020-5-2-0-3.</mixed-citation>
			</ref>
		</ref-list>
	</back>
	<fundings/>
</article>