(English below)

Tiêu đề: Dự đoán quy mô nhỏ về sinh khối và hàm lượng nitơ trong lá mía bằng cách sử dụng UAV LiDAR và hình ảnh đa kính
Tác giả: Yuri Shendryk, Jeremy Sofonia, Robert Garrard, Yannik Rista, Danielle Skocaj, PeterThorburna
Tóm tắt
Nền tảng Máy bay không người lái (UAV) và các công nghệ cảm biến liên quan được sử dụng rộng rãi trong nông nghiệp chính xác. Sử dụng LiDAR và các cảm biến hình ảnh gắn trên UAV đa động cơ, chúng ta có thể quan sát các biến thể cây trồng quy mô nhỏ có thể giúp cải thiện việc quản lý phân bón và tối đa hóa năng suất. Trong nghiên cứu này, chúng tôi sử dụng UAV gắn kết LiDAR và cảm biến hình ảnh đa mặt để theo dõi hai thử nghiệm ruộng mía với đầu vào bón phân đạm (N) thay đổi ở vùng Wet Tropics của Úc.

Từ sáu cuộc khảo sát được thực hiện trong khoảng thời gian 42 ngày, chúng tôi đã theo dõi sự phát triển của cây trồng về các chỉ số chiều cao, mật độ và thảm thực vật. Trong mỗi giai đoạn khảo sát, chúng tôi ước tính một bộ mô hình để dự đoán sinh khối khi thu hoạch ở quy mô nhỏ (ô 2m × 2m). Chúng tôi đã so sánh hiệu suất dự đoán của các mô hình chỉ dựa trên các yếu tố dự báo đa phổ, chỉ dự báo LiDAR, sự kết hợp giữa các yếu tố dự báo đa kính và LiDAR, và chỉ số thực vật khác biệt được chuẩn hóa (NDVI). Chúng tôi nhận thấy rằng hiệu suất dự đoán đạt đỉnh vào đầu vụ, ở mức 100–142 ngày sau vụ thu hoạch trước (DAH), và giảm gần ngày thu hoạch. Ở hiệu suất cao nhất (tức là 142 DAH), mô hình đa quang diện hoạt động tốt hơn một chút (R¯2 = 0,57) so với mô hình LiDAR (R¯2 = 0,52), với cả hai điểm chuẩn NDVI đều tốt hơn (R¯2 = 0,34).

Tuy nhiên, điều này đã thay đổi vào cuối mùa, với LiDAR hoạt động tốt hơn một chút so với chuẩn hình ảnh đa kính và NDVI. Điều thú vị là mô hình nhiệt hạch không hoạt động tốt hơn đáng kể so với mô hình đa kính tại 100–142 DAH, cũng không tốt hơn LiDAR trong các giai đoạn tiếp theo. Chúng tôi cũng ước tính một mô hình để dự đoán hàm lượng N trong lá cùng thời (%) bằng cách sử dụng hình ảnh đa kính, chứng tỏ R¯2 là 0,57.

Kết quả của chúng tôi đặc biệt quan tâm đến các chương trình quản lý dinh dưỡng nhằm cung cấp các hướng dẫn về phân bón N cho sản xuất mía bền vững, vì cả dự đoán về sinh khối và hàm lượng N ở lá đều khả thi khi các biện pháp can thiệp quản lý vẫn còn khả thi (tức là sớm nhất là ở 100 DAH).

Link download:

https://drive.google.com/file/d/1NSAqx2TcxbtPRijNY1HmNzUI46SDHM0M/view?usp=sharing

------

The title: Fine-scale prediction of biomass and leaf nitrogen content in sugarcane using UAV LiDAR and multispectral imaging
Authors: Yuri Shendryk, Jeremy Sofonia, Robert Garrard, Yannik Rista, Danielle Skocaj, PeterThorburna
Abstract
Unmanned Aerial Vehicle (UAV) platforms and associated sensing technologies are extensively utilized in precision agriculture. Using LiDAR and imaging sensors mounted on multirotor UAVs, we can observe fine-scale crop variations that can help improve fertilizer management and maximize yields. In this study we used UAV mounted LiDAR and multispectral imaging sensors to monitor two sugarcane field trials with variable nitrogen (N) fertilization inputs in the Wet Tropics region of Australia.

From six surveys performed at 42-day intervals, we monitored crop growth in terms of height, density and vegetation indices. In each survey period, we estimated a set of models to predict at-harvest biomass at fine scale (2m×2m plots). We compared the predictive performance of models based on multispectral predictors only, LiDAR predictors only, a fusion of multispectral and LiDAR predictors, and a normalized difference vegetation index (NDVI) benchmark. We found that predictive performance peaked early in the season, at 100–142 days after the previous harvest (DAH), and declined closer to the harvest date. At peak performance (i.e. 142 DAH), the multispectral model performed slightly better (R¯2=0.57) than the LiDAR model (R¯2=0.52), with both outperforming NDVI benchmark (R¯2=0.34).

This, however, flipped later in the season, with LiDAR performing slightly better than the multispectral imaging and NDVI benchmark. Interestingly, the fusion model did not perform significantly better than the multispectral model at 100–142 DAH, nor better than LiDAR in subsequent periods. We also estimated a model to predict contemporaneous leaf N content (%) using multispectral imagery, which demonstrated an R¯2 of 0.57.

Our results are of particular interest to nutrient management programs aiming to deliver N fertilizer guidelines for sustainable sugarcane production, as both fine-scale biomass and leaf N content predictions are feasible when management interventions are still possible (i.e. as early as at 100 DAH).