Biuletyn Instytutu Hodowli i Aklimatyzacji Roślin, Bulletin of Plant Breeding and Acclimatization Institute, Open Access Journal
  1. Strona domowa
  2. Archiwum
  3. ONLINE FIRST
  4. Artykuły przeglądowe

Wskaźniki spektralne w fenotypowaniu zbóż w warunkach polowych: możliwości i ograniczenia

Tomasz Góral


Instytut Hodowli i Aklimatyzacji Roślin — Państwowy Instytut Badawczy w Radzikowie (Poland)

Krystyna Rybka

k.rybka@ihar.edu.pl
Instytut Hodowli i Aklimatyzacji Roślin — Państwowy Instytut Badawczy w Radzikowie (Poland)


Abstrakt

Postęp w zakresie wysokoprzepustowego fenotypowania roślin oraz rozwój bezzałogowych platform pomiarowych (UAV) istotnie zmieniły sposób oceny roślin w warunkach polowych. Szczególne znaczenie zyskały wskaźniki spektralne, umożliwiające nieniszczącą, ilościową i powtarzalną ocenę cech związanych ze wzrostem roślin, statusem wodnym, procesami starzenia oraz reakcją na stresy biotyczne i abiotyczne. W niniejszym artykule przedstawiono podstawy fizyczne rejestracji sygnału spektralnego, charakterystykę najczęściej stosowanych sensorów wykorzystywanych w fenotypowaniu polowym oraz przegląd wybranych wskaźników spektralnych stosowanych w badaniach nad zbożami. Omówiono biologiczną interpretację najważniejszych indeksów, ich zastosowanie w ocenie biomasy, wigoru roślin, statusu odżywienia, stresu wodnego, starzenia oraz w estymacji plonu. Przedstawiono również główne ograniczenia związane z interpretacją danych spektralnych w warunkach polowych, obejmujące wpływ warunków środowiskowych, tła glebowego, nasycenia sygnału oraz ograniczenia modeli predykcyjnych. Szczególną uwagę poświęcono współczesnym kierunkom rozwoju, obejmującym integrację danych z wielu detektorów oraz zastosowanie metod uczenia maszynowego i sztucznej inteligencji w analizie wielowymiarowych danych fenotypowych. Wskazano, że wskaźniki spektralne, stosowane w połączeniu z danymi strukturalnymi, termalnymi i środowiskowymi, stanowią ważne narzędzie wspierające nowoczesne fenotypowanie polowe oraz podejmowanie decyzji hodowlanych w zmiennych warunkach środowiskowych.

Instytucje finansujące

Artykuł opracowany w ramach projektu Postęp Biologiczny MRRW na rok 2026 pt.: „Wykorzystanie metod uczenia maszynowego i fenotypowania spektralnego przy użyciu dronów dla potrzeb detekcji tolerancji na stresy u genotypów pszenicy ozimej w warunkach zmieniającego się klimatu”.

Słowa kluczowe:

UAV, NDVI, indeksy widmowe, hodowla zbóż, stres suszy, interakcja genotyp x środowisko, monitorowanie upraw, teledetekcja, uczenie maszynowe

Abdulridha, J., Min, A., Rouse, M. N., Kianian, S., Isler, V., & Yang, C. (2023). Evaluation of Stem Rust Disease in Wheat Fields by Drone Hyperspectral Imaging. Sensors, 23(8), 4154. https://doi.org/10.3390/s23084154
Google Scholar

Alazba, A. A., Mossad, A., Geli, H. M. E., El-Shafei, A., Elkatoury, A., Ezzeldin, M., Alrdyan, N., & Radwan, F. (2025). Mapping Land Surface Drought in Water-Scarce Arid Environments Using Satellite-Based TVDI Analysis. Land, 14(6), 1302. https://doi.org/10.3390/land14061302
Google Scholar

Anderegg, J., Yu, K., Aasen, H., Walter, A., Liebisch, F., & Hund, A. (2020). Spectral Vegetation Indices to Track Senescence Dynamics in Diverse Wheat Germplasm [Original Research]. Frontiers in Plant Science, 10(1749). https://doi.org/10.3389/fpls.2019.01749
Google Scholar

Anderegg, J., Zenkl, R., Walter, A., Hund, A., & McDonald, B. A. (2023). Combining High-Resolution Imaging, Deep Learning, and Dynamic Modeling to Separate Disease and Senescence in Wheat Canopies. Plant Phenomics, 5, 0053. https://doi.org/10.34133/plantphenomics.0053
Google Scholar

Aneley, G., Haas, M., & Köhl, K. (2022). LIDAR-Based Phenotyping for Drought Response and Drought Tolerance in Potato. Potato Research. https://doi.org/10.1007/s11540-022-09567-8
Google Scholar

Araus, J. L., & Cairns, J. E. (2014). Field high-throughput phenotyping: the new crop breeding frontier. TRENDS in Plant Science, 19(1), 52–61. https://doi.org/10.1016/j. tplants.2013.09.008
Google Scholar

Araus, J. L., Sanchez-Bragado, R., & Vicente, R. (2021). Improving crop yield and resilience through optimization of photosynthesis: panacea or pipe dream? Journal of Experimental Botany, 72(11), 3936–3955. https://doi.org/10.1093/jxb/erab097
Google Scholar

Ashourloo, D., Mobasheri, M. R., & Huete, A. (2014). Developing Two Spectral Disease Indices for Detection of Wheat Leaf Rust (Pucciniatriticina). Remote Sensing, 6(6), 4723–4740. https://doi.org/10.3390/rs6064723
Google Scholar

Baranowski, P., Jedryczka, M., Mazurek, W., Babula-Skowronska, D., Siedliska, A., & Kaczmarek, J. (2015). Hyperspectral and Thermal Imaging of Oilseed Rape (Brassica napus) Response to Fungal Species of the Genus Alternaria. PLoS ONE, 10(3), e0122913. https://doi.org/10.1371/journal.pone.0122913
Google Scholar

Barnes, J. D., Balaguer, L., Manrique, E., Elvira, S., & Davison, A. W. (1992). A reappraisal of the use of DMSO for the extraction and determination of chlorophylls a and b in lichens and higher plants. Environmental and Experimental Botany, 32(2), 85–100. https://doi.org/10.1016/0098-8472(92)90034-Y
Google Scholar

Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, M. L., & Bareth, G. (2015). Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley. International Journal of Applied Earth Observation and Geoinformation, 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012
Google Scholar

Berger, A., Ettlin, G., Quincke, C., & Rodríguez-Bocca, P. (2019). Predicting the Normalized Difference Vegetation Index (NDVI) by training a crop growth model with historical data. Computers and Electronics in Agriculture, 161, 305–311. https://doi.org/10.1016/j.compag.2018.04.028
Google Scholar

Blum, A. (2009). Effective use of water (EUW) and not water-use efficiency (WUE) is the target of crop yield improvement under drought stress. Field Crops Research, 112(2-3), 119–123. https://doi.org/10.1016/j.fcr.2009.03.009
Google Scholar

Chen, A., Jiang, J., Luo, Y., Zhang, G., Hu, B., Wang, X., & Zhang, S. (2023). Temperature vegetation dryness index (TVDI) for drought monitoring in the Guangdong Province from 2000 to 2019. Peerj, 11, e16337. https://doi.org/10.7717/peerj.16337
Google Scholar

Chen, Y., Yan, X., Huo, T., Yang, Y., Tie, B., Qin, C., Feng, M., Qiao, X., Chen, X., Li, G., Wang, C., & Yang, W. (2026). Hyperspectral estimation on the photosynthetic phenotype of winter wheat under drought stress using machine learning algorithms. Precision Agriculture, 27(1), 22. https://doi.org/10.1007/s11119-026-10325-w
Google Scholar

COBORU. (2026). Centralny Ośrodek Badania Odmian Roślin Uprawnych. Strona główna, https://www.coboru.gov.pl/ [dostęp: 24.04.2026].
Google Scholar

Correia, P. M. P., Cairo Westergaard, J., Bernardes da Silva, A., Roitsch, T., Carmo-Silva, E., & Marques da Silva, J. (2022). High-throughput phenotyping of physiological traits for wheat resilience to high temperature and drought stress. Journal of Experimental Botany, 73(15), 5235–5251. https://doi.org/10.1093/jxb/erac160
Google Scholar

Danilov, R., Kremneva, O., & Pachkin, A. (2023). Identification of the Spectral Patterns of Cultivated Plants and Weeds: Hyperspectral Vegetation Indices. Agronomy, 13(3), 859. https://doi.org/10.3390/agronomy13030859
Google Scholar

Datt, B. (1999). Remote Sensing of Water Content in Eucalyptus Leaves. Australian Journal of Botany, 47(6), 909–923. https://doi.org/10.1071/bt98042
Google Scholar

Daughtry, C. S. T., Walthall, C. L., Kim, M. S., de Colstoun, E. B., & McMurtrey, J. E. (2000). Estimating Corn Leaf Chlorophyll Concentration from Leaf and Canopy Reflectance. Remote Sensing of Environment, 74(2), 229–239. https://doi.org/10.1016/S0034-4257(00)00113-9
Google Scholar

Delegido, J., Verrelst, J., Meza, C. M., Rivera, J. P., Alonso, L., & Moreno, J. (2013). A red-edge spectral index for remote sensing estimation of green LAI over agroecosystems. European Journal of Agronomy, 46, 42–52. https://doi.org/10.1016/j.eja.2012.12.001
Google Scholar

Demidchik, V. V., Shashko, A. Y., Bandarenka, U. Y., Smolikova, G. N., Przhevalskaya, D. A., Charnysh, M. A., Pozhvanov, G. A., Barkosvkyi, A. V., Smolich, I. I., Sokolik, A. I., Yu, M., & Medvedev, S. S. (2020). Plant Phenomics: Fundamental Bases, Software and Hardware Platforms, and Machine Learning. Russian Journal of Plant Physiology, 67(3), 397–412. https://doi.org/10.1134/s1021443720030061
Google Scholar

Dorigo, W. A., Zurita-Milla, R., de Wit, A. J. W., Brazile, J., Singh, R., & Schaepman, M. E. (2007). A review on reflective remote sensing and data assimilation techniques for enhanced agroecosystem modeling. International Journal of Applied Earth Observation and Geoinformation, 9(2), 165–193. https://doi.org/10.1016/j.jag.2006.05.003
Google Scholar

Estrada, F., Gonzàlez-Meler, M. A., Dias de Oliveira, E. A., del Pozo, A., & Lobos, G. A. (2025). Morphophysiological Plant Phenotyping for the Development of Plant Breeding Under Drought and Heat Conditions: A Practical Approach. Food and Energy Security, 14(1), e70030. https://doi.org/10.1002/fes3.70030
Google Scholar

Fensholt, R., & Sandholt, I. (2003). Derivation of a Shortwave Infrared Water Stress Index From MODIS Near- and Shortwave Infrared Data in a Semiarid Environment. Remote Sensing of Environment, 87, 111–121. https://doi.org/10.1016/j.rse.2003.07.002
Google Scholar

Gandía, S., Fernández, G., García, J. C., & Moreno, J. B. (2004). Retrieval of vegetation biophysical variables from CHRIS/PROBA data in the SPARC campaign In Proceedings of the 2nd CHRIS/PROBA Workshop., Frascati, Italy, April 28–30, 2004.
Google Scholar

Gao, B.-c. (1996). NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 58(3), 257–266. https://doi.org/10.1016/S0034-4257(96)00067-3
Google Scholar

Ghanem, M. E., Marrou, H., & Sinclair, T. R. (2015). Physiological phenotyping of plants for crop improvement. TRENDS in Plant Science, 20(3), 139–144. https://doi.org/10.1016/j.tplants.2014.11.006
Google Scholar

Gill, T., Gill, S. K., Saini, D. K., Chopra, Y., de Koff, J. P., & Sandhu, K. S. (2022). A Comprehensive Review of High Throughput Phenotyping and Machine Learning for Plant Stress Phenotyping. Phenomics, 2(3), 156–183. https://doi.org/10.1007/s43657-022-00048-z
Google Scholar

Gitelson, A. A. (2004). Wide Dynamic Range Vegetation Index for Remote Quantification of Biophysical Characteristics of Vegetation. Journal of Plant Physiology, 161(2), 165–173. https://doi.org/10.1078/0176-1617-01176
Google Scholar

Gitelson, A. A., Gritz, Y., & Merzlyak, M. N. (2003). Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves. Journal of Plant Physiology, 160(3), 271–282. https://doi.org/10.1078/0176-1617-00887
Google Scholar

Gitelson, A. A. I. E., (2nd ed., pp. xx–xx). CRC Press. (2018). Recent developments in remote estimation of crop biophysical and biochemical properties at various scales. In S. Liang (Ed.), Biophysical and biochemical characterization and plant species studies (2nd ed.). CRC Press. https://doi.org/10.1201/9780429431180-1
Google Scholar

Gnyp, M. L., Bareth, G., Li, F., Lenz-Wiedemann, V. I. S., Koppe, W., Miao, Y., Hennig, S. D., Jia, L., Laudien, R., Chen, X., & Zhang, F. (2014). Development and implementation of a multiscale biomass model using hyperspectral vegetation indices for winter wheat in the North China Plain. International Journal of Applied Earth Observation and Geoinformation, 33(1), 232–242. https://doi.org/210.1016/j.jag.2014.1005.1006
Google Scholar

Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., & Takahashi, K. (2019). Assessing correlation of high-resolution NDVI with fertilizer application level and yield of rice and wheat crops using small UAVs [Article]. Remote Sensing, 11(2), Article 112. https://doi.org/10.3390/rs11020112
Google Scholar

Haboudane, D., Miller, J. R., Tremblay, N., Zarco-Tejada, P. J., & Dextraze, L. (2002). Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sensing of Environment, 81(2), 416–426. https://doi.org/10.1016/S0034-4257(02)00018-4
Google Scholar

Henrich, V., Götze, C., Jung, A., Sandow, C., Thürkow, D., & Cornelia, G. (2009). Development of an online indices database: Motivation, concept and implementation 6th EARSeL Imaging Spectroscopy. SIG Workshop. Innovative Tool for Scientific and Commercial Environment Applications Tel Aviv, Israel, March 16-18, 2009. https://www.indexdatabase.de/
Google Scholar

Holman, F. H., Riche, A. B., Michalski, A., Castle, M., Wooster, M. J., & Hawkesford, M. J. (2016). High throughput field phenotyping of wheat plant height and growth rate in field plot trials using UAV based remote sensing [Article]. Remote Sensing, 8(12), Article 1031. https://doi.org/10.3390/rs8121031
Google Scholar

Ihuoma, S. O., & Madramootoo, C. A. (2019a). Crop reflectance indices for mapping water stress in greenhouse grown bell pepper. Agricultural Water Management, 219, 49–58. https://doi.org/10.1016/j.agwat.2019.04.001
Google Scholar

Ihuoma, S. O., & Madramootoo, C. A. (2019b). Sensitivity of spectral vegetation indices for monitoring water stress in tomato plants. Computers and Electronics in Agriculture, 163, 104860. https://doi.org/10.1016/j.compag.2019.104860
Google Scholar

Jin, Z., Yasutake, D., Iwao, T., Sago, Y., Yokoyama, G., Kubota, S., & Hirota, T. (2026). Non-destructive monitoring of root biomass in hydroponically grown leafy vegetables: comparison between machine learning-based RGB and hyperspectral imaging. Plant Methods. https://doi.org/10.1186/s13007-026-01515-8
Google Scholar

Kolhar, S., & Jagtap, J. (2023). Plant trait estimation and classification studies in plant phenotyping using machine vision – A review. Information Processing in Agriculture, 10(1), 114–135. https://doi.org/10.1016/j.inpa.2021.02.006
Google Scholar

Kovar, M., Brestic, M., Sytar, O., Barek, V., Hauptvogel, P., & Zivcak, M. (2019). Evaluation of Hyperspectral Reflectance Parameters to Assess the Leaf Water Content in Soybean. Water, 443, 443. https://doi.org/10.3390/w11030443
Google Scholar

le Maire, G., François, C., & Dufrêne, E. (2004). Towards universal broad leaf chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance measurements. Remote Sensing of Environment, 89(1), 1–28. https://doi.org/10.1016/j.rse.2003.09.004
Google Scholar

Lim, J., Watanabe, N., Yoshitoshi, R., & Kawamura, K. (2020). Simple in-field evaluation of moisture content in curing forage using normalized differece vegetation index (NDVI). Grassland Science, 66(4), 238–248. https://doi.org/10.1111/grs.12275
Google Scholar

Liu, W. T., & Kogan, F. N. (1996). Monitoring regional drought using the Vegetation Condition Index. International Journal of Remote Sensing, 17(14), 2761–2782. https://doi.org/10.1080/01431169608949106
Google Scholar

Liu, Y., Fan, K., Meng, L., Nie, C., Yadong, L., Cheng, M., Song, Y., & Jin, X. (2025). Synergistic use of stay-green traits and UAV multispectral information in improving maize yield estimation with the random forest regression algorithm. Computers and Electronics in Agriculture, 229, 109724. https://doi.org/10.1016/j.compag.2024.109724
Google Scholar

Loladze, A., Rodrigues, F. A., Toledo, F., San Vicente, F., Gérard, B., & Boddupalli, M. P. (2019). Application of Remote Sensing for Phenotyping Tar Spot Complex Resistance in Maize [Original Research]. Frontiers in Plant Science, 10(552). https://doi.org/10.3389/fpls.2019.00552
Google Scholar

Lowe, A., Harrison, N., & French, A. P. (2017). Hyperspectral image analysis techniques for the detection and classification of the early onset of plant disease and stress. Plant Methods, 13(1), 80. https://doi.org/10.1186/s13007-017-0233-z
Google Scholar

Maccioni, A., Agati, G., & Mazzinghi, P. (2001). New vegetation indices for remote measurement of chlorophylls based on leaf directional reflectance spectra. Journal of Photochemistry and Photobiology B: Biology, 61(1), 52–61. https://doi.org/10.1016/S1011-1344(01)00145-2
Google Scholar

Marcial-Pablo, M. d. J., Gonzalez-Sanchez, A., Jimenez-Jimenez, S. I., Ontiveros-Capurata, R. E., & Ojeda-Bustamante, W. (2019). Estimation of vegetation fraction using RGB and multispectral images from UAV. International Journal of Remote Sensing, 40(2), 420–438. https://doi.org/10.1080/01431161.2018.1528017
Google Scholar

Marques, P., Carvalho, R., & Fernandes-Silva, A. (2022). Preliminary Assessment of the Relationship between Pigments in Olive Leaves and Vegetation Indices. Proceedings of the Latvian Academy of Sciences. Section B. Natural, Exact, and Applied Sciences., 76, 517–525. https://doi.org/10.2478/prolas-2022-0080
Google Scholar

Merzlyak, M. N., Gitelson, A. A., Chivkunova, O. B., & Rakitin, V. Y. U. (1999). Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening. Physiologia Plantarum, 106(1), 135–141. https://doi.org/10.1034/j.1399-3054.1999.106119.x
Google Scholar

Metternicht, G. (2003). Vegetation indices derived from high-resolution airborne videography for precision crop management. International Journal of Remote Sensing, 24(14), 2855–2877.
Google Scholar

Mishra, K. B., Vitek, P., & Bartak, M. (2019). A correlative approach, combining chlorophyll a fluorescence, reflectance, and Raman spectroscopy, for monitoring hydration induced changes in Antarctic lichen Dermatocarpon polyphyllizum. Spectrochimica Acta Part a-Molecular and Biomolecular Spectroscopy, 208, 13–23. https://doi.org/10.1016/j.saa.2018.09.036
Google Scholar

Mora-Felix, Z., Rangel-Peraza, J., Monjardin, S., & Sanhouse-García, A. (2024). Performance and precision analysis of 3D surface modeling through UAVs: validation and comparison of different photogrammetric data processing software. Physica Scripta, 99. https://doi.org/10.1088/1402-4896/ad23ab
Google Scholar

Nguyen, V. D., Sarić, R., Burge, T., Berkowitz, O., Trtilek, M., Whelan, J., Lewsey, M. G., & Čustović, E. (2021). Noninvasive imaging technologies in plant phenotyping. TRENDS in Plant Science, S1360–1385 (1321) 00151–00155. https://doi.org/10.1016/j.tplants.2021.06.009
Google Scholar

Nichol, C. J., Huemmrich, K. F., Black, T. A., Jarvis, P. G., Walthall, C. L., Grace, J., & Hall, F. G. (2000). Remote sensing of photosynthetic-light-use efficiency of boreal forest. Agricultural and Forest Meteorology, 101(2), 131–142. https://doi.org/10.1016/S0168-1923(99)00167-7
Google Scholar

Oleksiak, T. (2023). Znaczenie postępu hodowlanego w produkcji pszenicy ozimej. Annals of the Polish Association of Agricultural and Agribusiness Economists, 25(4), 338–349. https://doi.org/10.5604/01.3001.0054.0855
Google Scholar

Oleksiak, T., Spyroglou, I., Pacoń, D., Matysik, P., Pernisova, M., & Rybka*, K. (2022). Effect of drought on wheat production in Poland between 1961 and 2019 Crop science, 62, 728–743. https://doi.org/10.1002/csc2.20690
Google Scholar

Patil, P. P., Jagtap, M. P., Khatri, N., Madan, H., Vadduri, A. A., & Patodia, T. (2024). Exploration and advancement of NDDI leveraging NDVI and NDWI in Indian semi-arid regions: A remote sensing-based study. Case Studies in Chemical and Environmental Engineering, 9, 100573. https://doi.org/10.1016/j.cscee.2023.100573
Google Scholar

Peñuelas, J., Baret, F., & Filella, I. (1995). Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance. Photosynthetica, 31, 221–230.
Google Scholar

Peñuelas, J., Filella, I., & Gamon, J. A. (1995). Assessment of photosynthetic radiation-use efficiency with spectral reflectance. New Phytologist, 131(3), 291–296. https://doi.org/10.1111/j.1469-8137.1995.tb03064.x
Google Scholar

Pérez-Chimal, R. J., Rivera-Romero, C. A., Estudillo-Ayala, J. M., Sandoval-Aréchiga, R., Barrientos-García, A., & Muñoz-Minjares, J. U. (2026). Extraction of Plant Physiological Features Using Multispectral Imaging and Spectrophotometry: A Systematic Review Highlighting Research Gaps for Stenocereus spp. AgriEngineering, 8(5), 162. https://doi.org/10.3390/agriengineering8050162
Google Scholar

Piaskowska, D., Piechota, U., Radecka-Janusik, M., & Czembor, P. (2021). QTL Mapping of Seedling and Adult Plant Resistance to Septoria Tritici Blotch in Winter Wheat cv. Mandub (Triticum aestivum L.). Agronomy-Basel, 11(6), 1108. https://doi.org/doi:10.3390/agronomy11061108
Google Scholar

Pietrusinska, A., & Tyrka, M. (2021). Linkage of Lr55 wheat leaf rust resistance gene with microsatellite and DArT-based markers. Physiological and Molecular Plant Pathology, 115, 101674. https://doi.org/10.1016/j.pmpp.2021.101674
Google Scholar

Prey, L., & Schmidhalter, U. (2019). Simulation of satellite reflectance data using high-frequency ground based hyperspectral canopy measurements for in-season estimation of grain yield and grain nitrogen status in winter wheat. ISPRS Journal of Photogrammetry and Remote Sensing, 149, 176–187. https://doi.org/10.1016/j.isprsjprs.2019.01.023
Google Scholar

Rhee, J., Im, J., & Carbone, G. J. (2010). Monitoring agricultural drought for arid and humid regions using multi-sensor remote sensing data. Remote Sensing of Environment, 114(12), 2875–2887. https://doi.org/10.1016/j.rse.2010.07.005
Google Scholar

Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1973). Monitoring vegetation systems in the great plains with ERTS. In Proceedings of the Third Earth Resources Technology Satellite-1 Symposium (NASA SP-351, Vol. 1, pp. 309–317). National Aeronautics and Space Administration.
Google Scholar

Rybka, K., & Nita, Z. (2014). Nowoczesne fenotypy zbóż do uprawy na obszarach zagrożonych suszą [Eng.: Modern phenotypes of cereals for cultivation in areas endangered with drought]. Biuletyn Instytutu Hodowli i Aklimatyzacji Roślin, 273, 55–72. https://doi.org/10.37317/biul-2014-0018
Google Scholar

Sankaran, S., Quirós, J. J., & Miklas, P. N. (2019). Unmanned aerial system and satellite-based high resolution imagery for high-throughput phenotyping in dry bean [Article]. Computers and Electronics in Agriculture, 165, Article 104965. https://doi.org/10.1016/j.compag.2019.104965
Google Scholar

Sharma, N., Kumar, M., Daetwyler, H. D., Trethowan, R. M., Hayden, M., & Kant, S. (2024). Phenotyping for heat stress tolerance in wheat population using physiological traits, multispectral imagery, and machine learning approaches. Plant Stress, 100593. https://doi.org/10.1016/j.stress.2024.100593
Google Scholar

Soares, G. F., Ramos, M. L. G., Pereira, L. F., Keller, B., Muller, O., de Lima, C. A., da Silva, P. C., Malaquias, J. V., Chagas, J. H., & Ribeiro Junior, W. Q. (2025). Phenotyping for Drought Tolerance in Different Wheat Genotypes Using Spectral and Fluorescence Sensors. Plants, 14(14), 2216. https://doi.org/10.3390/plants14142216
Google Scholar

Sobiech, A., Tomkowiak, A., Nowak, B., Bocianowski, J., Wolko, Ł., & Spychała, J. (2022). Associative and Physical Mapping of Markers Related to Fusarium in Maize Resistance, Obtained by Next-Generation Sequencing (NGS). International Journal of Molecular Sciences, 23(11), 6105. https://doi.org/10.3390/ijms23116105
Google Scholar

Studnicki, M., Kang, M. S., Iwańska, M., Oleksiak, T., Wójcik-Gront, E., & Mądry, W. (2019). Consistency of Yield Ranking and Adaptability Patterns of Winter Wheat Cultivars between Multi-Environmental Trials and Farmer Surveys. Agronomy-Basel, 9(5), 245, https://doi.org/10.3390/agronomy9050245
Google Scholar

Thenot, F., Méthy, M., & Winkel, T. (2002). The Photochemical Reflectance Index (PRI) as a water-stress index. International Journal of Remote Sensing, 23(23), 5135–5139. https://doi.org/10.1080/01431160210163100
Google Scholar

Tietze, H., Abdelhakim, L., Pleskačová, B., Kurtz-Sohn, A., Fridman, E., Nikoloski, Z., & Panzarová, K. (2025). Prediction of harvest-related traits in barley using high-throughput phenotyping data and machine learning. bioRxiv, 2025.2005.2029.656856. https://doi.org/10.1101/2025.05.29.656856
Google Scholar

Wang, J., Wu, B., Kohnen, M. V., Lin, D., Yang, C., Wang, X., Qiang, A., Liu, W., Kang, J., Li, H., Shen, J., Yao, T., Su, J., Li, B., & Gu, L. (2021). Classification of Rice Yield Using UAV-Based Hyperspectral Imagery and Lodging Feature. Plant Phenomics, 2021, 9765952. https://doi.org/10.34133/2021/9765952
Google Scholar

Wang, L., & Qu, J. (2007). NMDI: A normalized multi-band drought index for monitoring soil and vegetation moisture with satellite remote sensing. Geophysical Research Letters - GEOPHYS RES LETT, 34. https://doi.org/10.1029/2007GL031021
Google Scholar

Wang, P.-x., Li, X.-w., Gong, J.-y., & Song, C. (2001). Vegetation temperature condition index and its application for drought monitoring. In Proceedings of Geoscience and Remote Sensing Symposium, 2001. IGARSS ‚01. , 1, 141–143 vol.141. https://doi.org/10.1109/IGARSS.2001.976083
Google Scholar

Wang, R.-F. W., Qu, H.-R., & Su, W.-H. (2025). From sensors to insights: Technological trends in image-based high-throughput plant phenotyping. Smart Agricultural Technology, 12, 101257. https://doi.org/10.1016/j.atech.2025.101257
Google Scholar

Wójcik-Gront, E., Iwańska, M., Wnuk, A., & Oleksiak, T. (2022). The Analysis of Wheat Yield Variability Based on Experimental Data from 2008 to 2018 to Understand the Yield Gap. Agriculture, 12(1), 32. https://doi.org/10.3390/agriculture12010032
Google Scholar

Wu, C., Niu, Z., Tang, Q., Huang, W., Rivard, B., & Feng, J. (2009). Remote estimation of gross primary production in wheat using chlorophyll-related vegetation indices. Agricultural and Forest Meteorology, 149(6), 1015–1021. https://doi.org/https://doi.org/10.1016/j.agrformet.2008.12.007
Google Scholar

Xiao, X., Boles, S., Frolking, S., Salas, W., Moore Iii, B., Li, C., He, L., & Zhao, R. (2002). Observation of flooding and rice transplanting of paddy rice fields at the site to landscape scales in China using VEGETATION sensor data. International Journal of Remote Sensing, 23(15), 3009–3022.
Google Scholar

Yang, B., Pan, M., Gao, Z., Zhi, H., & Zhang, X. (2023). Cross-Platform Wheat Ear Counting Model Using Deep Learning for UAV and Ground Systems. Agronomy, 13, 1792. https://doi.org/10.3390/agronomy13071792
Google Scholar

Yang, N., Zhang, Z., Ding, B., Wang, T., Zhang, J., Liu, C., Zhang, Q., Zuo, X., Chen, J., Cui, N., Shi, L., & Zhao, X. (2024). Evaluation of winter-wheat water stress with UAV-based multispectral data and ensemble learning method. Plant and Soil, 497(1), 647–668. https://doi.org/10.1007/s11104-023-06422-8
Google Scholar

Yang, W., Duan, L., Chen, G., Xiong, L., & Liu, Q. (2013). Plant phenomics and high-throughput phenotyping: accelerating rice functional genomics in using multidisciplinary technologies. Current Oppinion Plant Bioogy 16(2), 180–187. http://dx.doi.org/10.1016/j.pbi.2013.03.005
Google Scholar

Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., & Xu, B. (2017). Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models [Article]. Remote Sensing, 9(7), Article 708. https://doi.org/10.3390/rs9070708
Google Scholar

Zarco-Tejada, P. J., Rueda, C. A., & Ustin, S. L. (2003). Water content estimation in vegetation with MODIS reflectance data and model inversion methods. Remote Sensing of Environment, 85(1), 109–124. https://doi.org/10.1016/S0034-4257(02)00197-9
Google Scholar

Zha, Y., Gao, J., & Ni, S. (2003). Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. International Journal of Remote Sensing, 24(3), 583–594. https://doi.org/10.1080/01431160304987
Google Scholar

Zhang, D., Zhu, K., Dong, L., Liang, Y., Li, G., Fang, T., Guo, G., Wu, Q., Xie, J., Chen, Y., Lu, P., Li, M., Zhang, H., Wang, Z., Zhang, Y., Sun, Q., & Liu, Z. (2019). Wheat powdery mildew resistance gene Pm64 derived from wild emmer (Triticum turgidum var. dicoccoides) is tightly linked in repulsion with stripe rust resistance gene Yr5. The Crop Journal, 7(6), 761–770. https://doi.org/10.1016/j.cj.2019.03.003
Google Scholar

Zhang, J., Thapa, K., Chamara, N., Bai, G., & Ge, Y. (2023). Estimating crop stomatal conductance from RGB, NIR, and thermal infrared images. In Proc. SPIE 12539, Autonomous Air and Ground Sensing Systems for Agricultural Optimization and Phenotyping VIII, 125390A (13 June 2023) (SPIE Defense + Commercial Sensing) (Vol. 12539). SPIE. https://doi.org/10.1117/12.2663888
Google Scholar

Zhou, J., Fu, X., Zhou, S., Zhou, J., Ye, H., & Nguyen, H. T. (2019). Automated segmentation of soybean plants from 3D point cloud using machine learning. Computers and Electronics in Agriculture, 162, 143–153. https://doi.org/10.1016/j.compag.2019.04.014
Google Scholar

Zhou, J., & Nguyen, H. T. (Eds.). (2021). High-Throughput Crop Phenotyping. Springer Cham. https://doi.org/10.1007/978-3-030-73734-4
Google Scholar

Pobierz


Opublikowane
08/17/2026

Cited By / Share

Góral, T. i Rybka, K. (2026) „Wskaźniki spektralne w fenotypowaniu zbóż w warunkach polowych: możliwości i ograniczenia”, Biuletyn Instytutu Hodowli i Aklimatyzacji Roślin. doi: 10.37317/biul-2026-0001.

Autorzy

Tomasz Góral 

Instytut Hodowli i Aklimatyzacji Roślin — Państwowy Instytut Badawczy w Radzikowie Poland

Autorzy

Krystyna Rybka 
k.rybka@ihar.edu.pl
Instytut Hodowli i Aklimatyzacji Roślin — Państwowy Instytut Badawczy w Radzikowie Poland

Statystyki

Abstract views: 43
PDF downloads: 14


Licencja

Prawa autorskie (c) 2026 Tomasz Góral, Krystyna Rybka

Creative Commons License

Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Na tych samych warunkach 4.0 Miedzynarodowe.

Z chwilą przekazania artykułu, Autorzy udzielają Wydawcy niewyłącznej i nieodpłatnej licencji na korzystanie z artykułu przez czas nieokreślony na terytorium całego świata na następujących polach eksploatacji:

  1. Wytwarzanie i zwielokrotnianie określoną techniką egzemplarzy artykułu, w tym techniką drukarską oraz techniką cyfrową.
  2. Wprowadzanie do obrotu, użyczenie lub najem oryginału albo egzemplarzy artykułu.
  3. Publiczne wykonanie, wystawienie, wyświetlenie, odtworzenie oraz nadawanie i reemitowanie, a także publiczne udostępnianie artykułu w taki sposób, aby każdy mógł mieć do niego dostęp w miejscu i w czasie przez siebie wybranym.
  4. Włączenie artykułu w skład utworu zbiorowego.
  5. Wprowadzanie artykułu w postaci elektronicznej na platformy elektroniczne lub inne wprowadzanie artykułu w postaci elektronicznej do Internetu, lub innej sieci.
  6. Rozpowszechnianie artykułu w postaci elektronicznej w internecie lub innej sieci, w pracy zbiorowej jak również samodzielnie.
  7. Udostępnianie artykułu w wersji elektronicznej w taki sposób, by każdy mógł mieć do niego dostęp w miejscu i czasie przez siebie wybranym, w szczególności za pośrednictwem Internetu.

Autorzy poprzez przesłanie wniosku o publikację:

  1. Wyrażają zgodę na publikację artykułu w czasopiśmie,
  2. Wyrażają zgodę na nadanie publikacji DOI (Digital Object Identifier),
  3. Zobowiązują się do przestrzegania kodeksu etycznego wydawnictwa zgodnego z wytycznymi Komitetu do spraw Etyki Publikacyjnej COPE (ang. Committee on Publication Ethics), (http://ihar.edu.pl/biblioteka_i_wydawnictwa.php),
  4. Wyrażają zgodę na udostępniane artykułu w formie elektronicznej na mocy licencji CC BY-SA 4.0, w otwartym dostępie (open access),
  5. Wyrażają zgodę na wysyłanie metadanych artykułu do komercyjnych i niekomercyjnych baz danych indeksujących czasopisma.

Inne teksty tego samego autora

<< < 1 2 3 4 




Girl in a jacket

Instytut Hodowli i Aklimatyzacji Roślin

Radzików, 05-870 Błonie,
tel. tel. 22 725 36 11, 733 45 00,
e-mail: postbox@ihar.edu.pl

Copyright

Copyright 2019 by Instytut Hodowli i Aklimatyzacji Roślin
OJS Support and Customization by LIBCOM
Platform & workfow by OJS/PKP