Традиционные методы диагностики обеспеченности растений макро- и микроэлементами
трудоёмки, дороги и не позволяют получать непрерывные пространственные карты. Развитие
технологий дистанционного зондирования открывает новые возможности для оперативного
мониторинга посевов, однако для многих элементов, не имеющих характерных полос поглощения в видимом и ближнем инфракрасном диапазоне, задача остаётся нерешённой. Кроме
того, многие существующие работы используют случайную кросс-валидацию, игнорируя пространственную автокорреляцию, что приводит к завышению точности моделей. В работе разработан и валидирован воспроизводимый подход на основе машинного обучения для предсказания концентрации 12 макро- и микроэлементов в надземной биомассе яровой пшеницы
по мультиспектральным (5 каналов) и гиперспектральным (300 каналов, 390–1031 нм) данным. Построен набор признаков, включающий 44 широкополосных вегетационных индекса,
оконные статистики и текстурные дескрипторы, характеризующие пространственную неоднородность полога. Для оценки моделей применена буферизованная кросс-валидация LOO
(англ. leave-one-out), учитывающая индивидуальные радиусы пространственной автокорреляции. Использован отбор признаков mRMR (англ. Minimum Redundancy Maximum Relevance),
байесовская оптимизация гиперпараметров и ансамблевые методы машинного обучения.
Установлено, что при корректной пространственной валидации все 12 нутриентов мультиспектрального пайплайна имеют положительный коэффициент детерминации R2
в диапазоне
0,11–0,46. Выявлено физическое разделение источников сигнала: для макроэлементов (N, S,
Ca) ведущую роль играют вегетационные индексы (50–55 % важности), тогда как для микроэлементов и кобальта доминируют текстурные признаки (62–100 %). Сравнение с гиперспектром показало, что, несмотря на наличие 53–80 % предсказательной информации вне мультиспектрального диапазона, при равной выборке мультиспектр с текстурным каналом превосходит гиперспектр без текстур для 11 из 12 элементов, особенно для кобальта и нитратов.
Случайная кросс-валидация завышает R2
в среднем на 0,13, что подтверждает необходимость
пространственно корректной оценки. Разработанный подход перспективен по построению
карт распределения нутриентов (особенно по азоту, фосфору, калию), пригодных для дифференцированного внесения удобрений, а также для создания в дальнейшем гиперспектральных
ортомозаик, интеграции текстур с гиперспектральными спектрами, кросс-полевой валидации
и использования SWIR-диапазона для микроэлементов.

Ключевые слова: дистанционное зондирование, мультиспектральная съёмка, гиперспектральная съёмка, вегетационные индексы, текстурные признаки, машинное обучение, пространственная кросс-валидация, микроэлементы, яровая пшеница, точное земледелие

Литература:

Mitrofanova O.A., Mitrofanov E.P., Blekanov I.S., Molin A.E., Specialized dataset of multispectral aerophotos for solving precision farming problems using artificial intelligence methods, Sovremennye problemy
distantsionnogo zondirovaniya Zemli iz kosmosa, 2023, V. 20, No. 6, pp. 67–79 (in Russian), https://doi.
org/10.21046/2070-7401-2023-20-6-67-79.
Mitrofanova O.A., Mitrofanov E.P., Bure V.M., Analysis of hyperspectral remote sensing data and wheat
yield for the forecasting task, Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa, 2025,
V. 22, No. 1, pp. 93–105 (in Russian), https://doi.org/10.21046/2070-7401-2025-22-1-93-105.
Adão T., Hruška J., Pádua L. et al., Hyperspectral imaging: A review on UAV-based sensors, data processing and applications for agriculture and forestry, Remote Sensing, 2017, V. 9, No. 11, Article 1110, https://
doi.org/10.3390/rs9111110.
Berger K., Verrelst J., Féret J.-B. et al., Crop nitrogen monitoring: Recent progress and principal developments in the context of imaging spectroscopy missions, Remote Sensing of Environment, 2020, V. 242,
Article 111758, https://doi.org/10.1016/j.rse.2020.111758.
Современные проблемы ДЗЗ из космоса, 23(4), 2026
А.А. Струев и др. Предсказание обеспеченности посевов пшеницы макро- и микроэлементами…
Chancia R., Bates T., Heuvel J.V., Aardt J., Assessing grapevine nutrient status from unmanned aerial system (UAS) hyperspectral imagery, Remote Sensing, 2021, V. 13, No. 21, Article 4489, https://doi.
org/10.3390/rs13214489.
Friedman J., Hastie T., Tibshirani R., Sparse inverse covariance estimation with the graphical lasso,
Biostatistics, 2008, V. 9, No. 3, pp. 432–441, https://doi.org/10.1093/biostatistics/kxm045.
Gill A.K., Gaur S., Sneller C., Drewry D.T., Utilizing VSWIR spectroscopy for macronutrient and micronutrient profiling in winter wheat, Frontiers in Plant Science, 2024, V. 15, Article 1426077, https://doi.
org/10.3389/fpls.2024.1426077.
Gitelson A., Merzlyak M.N., Quantitative estimation of chlorophyll-a using reflectance spectra, J. Photochemistry and Photobiology B: Biology, 1994, V. 22, No. 3, pp. 247–252, https://doi.
org/10.1016/1011-1344(93)06963-4.
Hengl T., Nussbaum M., Wright M.N. et al., Random Forest as a generic framework for predictive modeling of spatial and spatio-temporal variables, PeerJ, 2018, V. 6, Article e26693v3, https://doi.org/10.7287/
peerj.preprints.26693v3.
Li Z., Zhou X., Cheng Q. et al., A machine-learning model based on the fusion of spectral and textural features from UAV multi-sensors to analyse the total nitrogen content in winter wheat, Remote Sensing, 2023,
V. 15, No. 8, Article 2152, https://doi.org/10.3390/rs15082152.
Maes W.H., Steppe K., Perspectives for remote sensing with unmanned aerial vehicles in precision agriculture, Trends in Plant Science, 2019, V. 24, No. 2, pp. 152–164, https://doi.org/10.1016/j.tplants.2018.11.007.
Mashori A.S., Li F., Aman M. et al., Remote Sensing through UAVs for precision agriculture:
Applications, technical foundations, current barriers, and future opportunities, Smart Agricultural
Technology, 2026, V. 14, Article 102074, https://doi.org/10.1016/j.atech.2026.102074.
Ploton P., Mortier F., Réjou-Méchain M. et al., Spatial validation reveals poor predictive performance
of large-scale ecological mapping models, Nature Communications, 2020, V. 11, Article 4540, https://doi.
org/10.1038/s41467-020-18321-y.
Roberts D.R., Bahn V., Ciuti S. et al., Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure, Ecography, 2017, V. 40, No. 8, pp. 913–929, https://doi.org/10.1111/
ecog.02881.
Savitzky A., Golay M. J.E., Smoothing and differentiation of data by simplified least squares procedures,
Analytical Chemistry, 1964, V. 36, No. 8, pp. 1627–1639, https://doi.org/10.1021/ac60214a047.
Wold S., Sjöström M., Eriksson L., PLS-regression: a basic tool of chemometrics, Chemometrics
and Intelligent Laboratory Systems, 2001, V. 58, No. 2, pp. 109–130, https://doi.org/10.1016/
S0169-7439(01)00155-1.
Xu L., Chen L., Luo Q. et al., Leveraging UAV hyperspectral imaging for crop physiology and biochemistry: A comprehensive review of feature extraction and selection methods, Plant Phenomics, 2026, V. 8,
Iss. 1, Article 100141, https://doi.org/10.1016/j.plaphe.2025.100141.
Xue J., Su B., Significant remote sensing vegetation indices: A review of developments and applications, J.
Sensors, 2017, V. 2017, Article 1353691, https://doi.org/10.1155/2017/1353691.
Yu J., Wang J., Leblon B., Song Y., Nitrogen estimation for wheat using UAV-based and satellite multispectral imagery, topographic metrics, leaf area index, plant height, soil moisture, and machine learning
methods, Nitrogen, 2022, V. 3, No. 1, pp. 1–25, https://doi.org/10.3390/nitrogen3010001.

XXIV.F.286

Дистанционное зондирование растительных и почвенных покровов