Assessing the Prospects of Remote Sensing Maize Leaf Area Index Using UAV-Derived Multi-Spectral Data in Smallholder Farms across the Growing Season

Abstract

Maize (Zea Mays) is one of the most valuable food crops in sub-Saharan Africa and is a critical component of local, national and regional economies. Whereas over 50% of maize production in the region is produced by smallholder farmers, spatially explicit information on smallholder farm maize production, which is necessary for optimizing productivity, remains scarce due to a lack of appropriate technologies. Maize leaf area index (LAI) is closely related to and influences its canopy physiological processes, which closely relate to its productivity. Hence, understanding maize LAI is critical in assessing maize crop productivity. Unmanned Aerial Vehicle (UAV) imagery in concert with vegetation indices (VIs) obtained at high spatial resolution provides appropriate technologies for determining maize LAI at a farm scale. Five DJI Matrice 300 UAV images were acquired during the maize growing season, and 57 vegetation indices (VIs) were generated from the derived images. Maize LAI samples were collected across the growing season, a Random Forest (RF) regression ensemble based on UAV spectral data and the collected maize LAI samples was used to estimate maize LAI. The results showed that the optimal stage for estimating maize LAI using UAV-derived VIs in concert with the RF ensemble was during the vegetative stage (V8–V10) with an RMSE of 0.15 and an R2 of 0.91 (RRMSE = 8%). The findings also showed that UAV-derived traditional, red edge-based and new VIs could reliably predict maize LAI across the growing season with an R2 of 0.89–0.93, an RMSE of 0.15–0.65 m2/m2 and an RRMSE of 8.13–19.61%. The blue, red edge and NIR sections of the electromagnetic spectrum were critical in predicting maize LAI. Furthermore, combining traditional, red edge-based and new VIs was useful in attaining high LAI estimation accuracies. These results are a step towards achieving robust, efficient and spatially explicit monitoring frameworks for sub-Saharan African smallholder farm productivity.

Propuesta para el monitoreo del cultivo de maíz basado en sensores remotos

“…Posteriormente, se calculan los IVs a partir de la calculadora ráster del programa SNAP 9.0. Con la finalidad de extraer los valores de los IVs del cultivo se realiza una Clasificación Supervisada en Google Earth Engine (GEE) del ortomosaico del vuelo en la etapa lechosa, donde el maíz alcanza su máximo crecimiento (Buthelezi et al 2023), la capa clasificada se vectoriza y realiza el recorte de los IVs para extraer exclusivamente los valores de las plantas de maíz (Figura 2).…”

“…La metodología se diseñó tomando como base las etapas fenológicas claves en el crecimiento del maíz para obtener un óptimo rendimiento (Buthelezi et al, 2023) (Tabla 1), es decir, las etapas donde es esencial realizar el monitoreo de la salud del cultivo para detectar una deficiencia de nutrientes o agua, enfermedad, plaga o afectaciones ocasionadas por fenómenos meteorológicos, dichas afectaciones se reflejan en bajos valores de los índices de vegetación analizados.…”

“…A continuación, se describen las variables evaluadas en cada una de las etapas en las que se centra el monitoreo partiendo de la etapa de la geminación y emergencia (VE) (Buthelezi et al 2023) Etapa de germinación y emergencia (VE): Es importante determinar en campo el día de germinación, con la finalidad de llevar a cabo el conteo de días para las siguientes etapas. Diez hojas (V10): En esta etapa la planta demanda de nutrientes tanto macroelementos como microelementos, por lo que se recomienda sembrar con fertilización.…”

“…Etapa lechosa (R3): En esta etapa se da la extensión celular y la acumulación de almidón en las células, por lo que la mazorca alcanza su tamaño máximo. Por esta razón se plantea generar un modelo matemático a través de la correlación del GNDVI con el promedio de la altura de una muestra de plantas de maíz de la parcela y el rendimiento de grano seco en (g.m −2 ) (Furukawa et al 2019, Buthelezi et al 2023. Etapa dentada (R5): Es esencial considerar condiciones adversas (como granizo y heladas) en esta etapa debido a que reducen el rendimiento por la disminución del peso de los granos y el número de granos en la mazorca.…”

“…Por otro lado, esto ocasiona un retraso en la cosecha debido a que el maíz dañado se seca lentamente. Por esta razón se plantea nuevamente realizar la correlación del GNDVI con el promedio de la altura de una muestra de plantas de maíz de la parcela y el rendimiento de grano seco en g.m −2 (Furukawa et al 2019, Buthelezi et al 2023.…”