Intra-Field Canopy Nitrogen Retrieval from Unmanned Aerial Vehicle Imagery for Wheat and Corn Fields

Abstract

Crop nitrogen (N) needs to be accurately predicted to allow farmers to effectively match the N supply to the crop N demand during crop growth in order to minimize environmental impacts as excess N could seep into the water supplies around the field. The objective of this study is to use Unmanned Aerial Vehicle (UAV) multispectral MicaSense imagery validated with ground hyperspectral measurements to predict canopy nitrogen weight (g/m²) of wheat and cornfields in Ontario. A simple linear regression was established to predict the canopy nitrogen weight from various vegetation indices (VI). Ratio Vegetation Index (RVI) performed the best out of all the tested vegetation indices, with an R² of 0.93 for the wheat fields and 0.83 for the corn fields. RVI estimation was also consistent throughout the growing season, which is optimal in precision agriculture. Once applied the RVI-based regression model to the UAV imagery, the best RMSE was 0.95 g/m² for the wheat McColl field using the image of May 24th and 0.66 g/m² for the corn Jack North field using the image of June 7th. Such information for accurately predicting nitrogen is important for farmers as it will lead to a more efficient fertilizer application program.

RÉSUMÉ

Les besoins en azote (N) des cultures doivent être estimés avec précision pour permettre aux agriculteurs d’adapter efficacement la fertilization azotée à la demande en N pendant la croissance des cultures afin de minimizer les impacts environnementaux, car de l’azote en excès pourrait s’infiltrer dans les réserves d’eau autour du champ. L’objectif de cette étude est d’utiliser des images multispectrales acquises par un drone pour prédire le poids en azote (g/m²) du couvert végétal de champs de blé et de maïs en Ontario. Une régression linéaire simple a été établie pour prédire le poids en azote du couvert végétal à partir de divers indices de végétation (VI). L’indice RVI a été le plus performant avec un R² de 0.93 pour les champs de blé et de 0.83 pour les champs de maïs. L’estimation du RVI était également consistante tout au long de la saison de croissance, ce qui est optimal dans l’agriculture de précision. Une fois appliqué aux images de drone, le modèle de régression basé sur le RVI a obtenu la plus faible erreur quadratique moyenne (RMSE), soit 0.95 g/m² en utilisant l’image du 24 mai pour le champ de blé McColl, et 0.66 g/m² en utilisant l’image du 7 juin pour le champ de maïs Jack North. Ces informations permettant de prédire avec précision l’azote sont importantes pour les agriculteurs, car elles conduiront à un programme d’application d’engrais plus efficace.

Acknowledgments

The authors thank the A&L staff (Bo Shan, Dongchen Cui, and Barbara Baginski) and Dr. Wang’s GITA lab members (Jody Yu, Radu Capitan, Matthew Roffey, Daniel Kpienbaareh, Yang Song, Chunhua Liao, Boyu Feng, and Qinghua Xie) for their assistance with the fieldwork, lab processing, and UAV data collection. The authors would also like to thank the anonymous reviewer for their constructive feedback and comments for this paper.

Additional information

Funding

This research is funded by an NSERC CRD grant awarded to Dr. Leblon and Dr. Wang and is the result of a collaboration between University of New Brunswick, University of Western Ontario and A&L Canada.