Перспективи використання методів агроскаутингу в прогнозуванні врожайності кукурудзи
DOI:
https://doi.org/10.31210/spi2026.29.01.02Ключові слова:
кукурудза, урожайність, кількість опадів, кореляція, агроскаутингАнотація
На основі сучасних наукових публікацій проведено аналіз методик оцінки впливу агрометеорологічних показників на формування врожайності кукурудзи. проаналізовані методи створення прогностичних моделей за допомогою регресійного аналізу. Метою досліджень було встановлення впливу розподілу й кількості опадів у конкретній місцевості. Матеріалом для досліджень стали дані метеорологічних показників локальних метеостанцій за 2023–2025 роки та фактичні дані виробничих агроценозів підприємств, які стосувалися врожайності кукурудзи. Встановлено, що в результаті несприятливих погодних факторів втрати врожайності можуть становити 40–50 % і більше порівняно зі сприятливим часово-просторовим розподілом. Одним з показників стабільності врожайності може бути коефіцієнт варіації, який за сприятливих умов становив 15 %, тобто мінливість урожайності була середньою, а в наступні роки досліджень варіація була значною – V % = 21…39 %. Використання даних локальних метеорологічних станцій, які встановлюються аграріями дає змогу створити обширну базу даних для побудови моделей формування урожайності сільськогосподарських культур. Досить велика їхня кількість в сучасних підприємствах дає змогу зробити це в просторовому сенсі, зменшуючи, таким чином, тривалість спостережень, тобто оптимізуючи часовий аспект. Отримані дані спостережень дали змогу зробити висновок про обмежуючу роль нерівномірного географічно і часово розподілу кількості опадів протягом вегетаційного періоду кукурудзи, що призводило до втрати врожайності 40–50 %. Одними з надійних показників для прогнозування урожайності можуть стати визначення щомісячної кількості опадів протягом періоду березень – серпень (r = 0,29…0,51), сезонних та попарних місячних періодів (r = 0,31…0,57). Середня кореляція спостерігалася також з сумою опадів за рік і за вегетаційний період – коефіцієнти становили відповідно 0,41 і 0,49. Наявність істотної кореляції урожайності з кількістю опадів у ранньовесняний період свідчить про важливість їхнього стартового характеру для посівів кукурудзи в умовах Полтавської області, де аграрії часто практикують ранньовесняні строки сівби. Наведені результати досліджень свідчать про істотну перспективу застосування методів агроскаутингу на прикладі замірів кількості опадів.
Посилання
1. Qiu, R., Li, X., Han, G., Xiao, J., Ma, X., & Gong, W. (2022). Monitoring drought impacts on crop productivity of the U.S. Midwest with solar-induced fluorescence: GOSIF outperforms GOME-2 SIF and MODIS NDVI, EVI, and NIRv. Agricultural and Forest Meteorology, 323, 109038. https://doi.org/10.1016/j.agrformet.2022.109038
2. Wang, Z., Zhang, T. Q., Tan, C. S., Xue, L., Bukovsky, M., & Qi, Z. M. (2021). Modeling impacts of climate change on crop yield and phosphorus loss in a subsurface drained field of Lake Erie region, Canada. Agricultural Systems, 190, 103110. https://doi.org/10.1016/j.agsy.2021.103110
3. Li, E., Zhao, J., Pullens, J. W. M., & Yang, X. (2022). The compound effects of drought and high temperature stresses will be the main constraints on maize yield in Northeast China. Science of The Total Environment, 812, 152461. https://doi.org/10.1016/j.scitotenv.2021.152461
4. Kloos, S., Yuan, Y., Castelli, M., & Menzel, A. (2021). Agricultural drought detection with MODIS based vegetation health indices in Southeast Germany. Remote Sensing, 13(19), 3907. https://doi.org/10.3390/rs13193907
5. Meitner, J., Balek, J., Bláhová, M., Semerádová, D., Hlavinka, P., Lukas, V., Jurečka, F., Žalud, Z., Klem, K., Anderson, M. C., Dorigo, W., Fischer, M., & Trnka, M. (2023). Estimating drought-induced crop yield losses at the cadastral area level in the Czech Republic. Agronomy, 13(7), 1669. https://doi.org/10.3390/agronomy13071669
6. Javed, T., Zhang, J., Bhattarai, N., Sha, Z., Rashid, S., Yun, B., Ahmad, S., Henchiri, M., & Kamran, M. (2021). Drought characterization across agricultural regions of China using standardized precipitation and vegetation water supply indices. Journal of Cleaner Production, 313, 127866. https://doi.org/10.1016/j.jclepro.2021.127866
7. Yang, B., Wu, S., & Yan, Z. (2022). Effects of climate change on corn yields: Spatiotemporal evidence from geographically and temporally weighted regression model. ISPRS International Journal of Geo-Information, 11(8), 433. https://doi.org/10.3390/ijgi11080433
8. Dhaliwal, D. S., & Williams, M. M. (2023). Sweet corn yield prediction using machine learning models and field-level data. Precision Agriculture, 25(1), 51–64. https://doi.org/10.1007/s11119-023-10057-1
9. Jiang, H., Hu, H., Li, B., Zhang, Z., Wang, S., & Lin, T. (2021). Understanding the non-stationary relationships between corn yields and meteorology via a spatiotemporally varying coefficient model. Agricultural and Forest Meteorology, 301–302, 108340. https://doi.org/10.1016/j.agrformet.2021.108340
10. Ortez, O. A., Lindsey, A. J., Thomison, P. R., Coulter, J. A., Singh, M. P., Carrijo, D. R., Quinn, D. J., Licht, M. A., & Bastos, L. (2023). Corn response to long‐term seasonal weather stressors: A review. Crop Science, 63(6), 3210–3235. https://doi.org/10.1002/csc2.21101
11. Wang, X., Li, X., Gu, J., Shi, W., Zhao, H., Sun, C., & You, S. (2023). Drought and waterlogging status and dominant meteorological factors affecting maize (Zea mays L.) in different growth and development stages in Northeast China. Agronomy, 13(2), 374. https://doi.org/10.3390/agronomy13020374
12. Achli, S., Epule, T. E., Dhiba, D., Chehbouni, A., & Er-Raki, S. (2022). Vulnerability of barley, maize, and wheat yields to variations in growing season precipitation in Morocco. Applied Sciences, 12(7), 3407. https://doi.org/10.3390/app12073407
13. Omar, L.-C., Mariano, N.-C., Alberto, G., Ernestina, P.-G., Jorge, M.-M., & Enrique, T.-D. (2022). Sensitivity of four indices of meteorological drought for rainfed maize yield prediction in the state of Sinaloa, Mexico. Agriculture, 12(4), 525. https://doi.org/10.3390/agriculture12040525
14. Sgroi, L. C., Lovino, M. A., Berbery, E. H., & Müller, G. V. (2021). Characteristics of droughts in Argentina’s core crop region. Hydrology and Earth System Sciences, 25(5), 2475–2490. https://doi.org/10.5194/hess-25-2475-2021
15. Fitzgibbon, A., Pisut, D., & Fleisher, D. (2022). Evaluation of maximum entropy (Maxent) machine learning model to assess relationships between climate and corn suitability. Land, 11(9), 1382. https://doi.org/10.3390/land11091382
16. Muntian, S. V., & Fedorchuk, M. I. (2023). Impact of meteorological conditions on yield of winther wheat, maize and winter oil seed rape with using nitrification inhibitor with combined application with UAN-32. Agrarian Innovations, 21, 64–69. https://doi.org/10.32848/agrar.innov.2023.21.9
17. Hanhur, V., & Pelykh, M. (2025). The influence of sowing dates and plant density on the yield of corn hybrids in the conditions of the Left Bank Forest-Steppe. Scientific Progress & Innovations, 28(1), 75–80. https://doi.org/10.31210/spi2025.28.01.13
18. Yurchenko, S., Stepanenko, B., & Khachaturian, A. (2024). Grain yield of corn hybrids depends on their maturity group. Scientific Progress & Innovations, 27(4), 66–71. https://doi.org/10.31210/spi2024.27.04.11
19. Vilas-Boas, J. K., Steiner, F., Zuffo, A. M., Aguilera, J. G., & Alves, C. Z. (2025). Tolerance of high-yielding corn hybrids to drought stress during the early growth stage. Revista Ciência Agronômica, 56, 1–10. https://doi.org/10.5935/1806-6690.20250040
20. Khatibi, A., Omrani, S., Omrani, A., Shojaei, S. H., Illés, Á., Bojtor, C., Mousavi, S. M. N., & Nagy, J. (2023). Study of drought stress correlation on yield and yield components of maize cultivars (Zea mays L.). Acta Agraria Debreceniensis, 1, 67–73. https://doi.org/10.34101/actaagrar/1/11495
21. Bundy, L. R., & Gensini, V. A. (2022). An assessment of USDA corn condition ratings across the U.S. Corn Belt. Agronomy Journal, 114(1), 601–617. https://doi.org/10.1002/agj2.20973
22. Vennam, R. R., Ramamoorthy, P., Poudel, S., Reddy, K. R., Henry, W. B., & Bheemanahalli, R. (2023). Developing functional relationships between soil moisture content and corn early-season physiology, growth, and development. Plants, 12(13), 2471. https://doi.org/10.3390/plants12132471
23. Fu, P., Jaiswal, D., McGrath, J. M., Wang, S., Long, S. P., & Bernacchi, C. J. (2021). Drought imprints on crops can reduce yield loss: Nature’s insights for food security. Food and Energy Security, 11(1), e332. https://doi.org/10.1002/fes3.332
24. Vozhehova, R. A., Lavrynenko, Yu. O., Marchenko, T. Yu., Boіarkina, L. V., Sharii, V. O., & Bidnyna, І. О. (2023). Comparative analysis of yield formation of corn hybrids of different FAO groups under drip irrigation. Agrarian Innovations, 18, 24–31.
25. Marenych, M. M., Verevska, O. V., & Shkurko, V. S. (2011). Prohnozuvannia vrozhainosti silskohosprodarskykh kultur. Poltava : Simon [in Ukrainian]
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 К. О. Куряча, М. М. Маренич
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
