Aerial Insights: Advancing Nitrogen Estimation in Field Crops using Multispectral Imaging
Notice bibliographique
Résumé
Abstract. Estimating the nitrogen (N) content of crops is crucial for determining key indicators such as nitrogen use efficiency (NUE). Traditionally, most methods for assessing N content have been destructive, time-consuming, and labor-intensive. In this study, we present a non-destructive approach using unmanned aerial vehicle (UAV) multispectral imagery to estimate crop nitrogen content at various growth stages. Multispectral drone data were collected over canola and wheat fields at three growth stages across two experimental sites in Alberta, Canada, over two growing seasons (2023–2024). Simultaneously, leaf tissue samples were gathered from different nitrogen treatment levels, each replicated four times. Multiple machine learning (ML) models were developed and tested to predict plant nitrogen uptake. Our findings indicate that multispectral imagery can estimate N content in canola with a root mean square error (RMSE) ranging from 0.38 to 0.71 and a coefficient of determination (R2) between 0.77 and 0.92. For wheat, the RMSE values ranged from 0.33 to 0.68, with R2 values between 0.5 and 0.89. The models showed good transferability across both study sites and two years, suggesting the feasibility of scaling N-content estimation to broader areas. Overall, our results highlight the strong potential of UAV-based multispectral imaging as a reliable, non-invasive tool for estimating nitrogen-related parameters, including plant N-uptake and NUE.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».