Evaluating how lodging affects maize yield estimation based on UAV observations

Abstract

Timely and accurate pre-harvest estimates of maize yield are vital for agricultural management. Although many remote sensing approaches have been developed to estimate maize yields, few have been tested under lodging conditions. Thus, the feasibility of existing approaches under lodging conditions and the influence of lodging on maize yield estimates both remain unclear. To address this situation, this study develops a lodging index to quantify the degree of lodging. The index is based on RGB and multispectral images obtained from a low-altitude unmanned aerial vehicle and proves to be an important predictor variable in a random forest regression (RFR) model for accurately estimating maize yield after lodging. The results show that (1) the lodging index accurately describes the degree of lodging of each maize plot, (2) the yield-estimation model that incorporates the lodging index provides slightly more accurate yield estimates than without the lodging index at three important growth stages of maize (tasseling, milking, denting), and (3) the RFR model with lodging index applied at the denting (R5) stage yields the best performance of the three growth stages, with R2 = 0.859, a root mean square error (RMSE) of 1086.412 kg/ha, and a relative RMSE of 13.1%. This study thus provides valuable insight into the precise estimation of crop yield and demonstra\tes that incorporating a lodging stress-related variable into the model leads to accurate and robust estimates of crop grain yield.

Tổng quan về ứng dụng của thiết bị bay không người lái trong canh tác trên đồng ruộng

“…Trong đó, bản chất của canh tác chính xác là hướng đến việc sử dụng hóa chất một cách hợp lý, tiết kiệm kết hợp với các giải pháp theo dõi và chăm sóc cây trồng thông minh. Điều này đặt ra một yêu cầu về việc sử dụng công cụ cho phép thu thập thông số môi trường và thực vật để giải quyết các bài toán thực tế, chủ yếu liên quan đến cảnh báo sâu bệnh [5][6][7][8], dự đoán sản lượng [9][10][11] và xây dựng vùng canh tác [12,13].…”

“…Trong các ứng dụng giám sát, thông tin về cây trồng được đánh giá gián tiếp thông qua các chỉ tiêu thực vật (vegetation index, VI), bao gồm chỉ số thực vật khác biệt chuẩn hóa (normalized difference vegetation index, NDVI) [28,36], chỉ số diện tích lá (leaf area index) [18,37], độ dày của lá (leaf thickness) [38,39] và điện dung của lá (leaf electrical capacitance) [39]. Hiện nay, một số bài toán ứng dụng UAV đã được báo cáo, như giám sát sâu bệnh hại bằng xử lý hình ảnh [5,6,26], phun thuốc bảo vệ thực vật [34,35,40] và phân bón [41] bằng UAV để giảm thiểu tối đa lượng hóa chất mà vẫn đảm bảo năng suất cây trồng [42], khảo sát và lập bản đồ canh tác [9,12,13], phát hiện cỏ dại [20,42,43]. Trên thực tế, những nhiệm vụ này cũng có thể được thực hiện bằng hình ảnh vệ tinh thông qua hệ thống thông tin địa lý (geographic information systems, GIS) [44] hoặc máy bay [45], nhưng UAV hữu ích hơn khi so sánh về độ phân giải hình ảnh [29], chi phí và mức độ khả thi [15,46].…”

“…Các ứng dụng của UAV trong canh tác trên đồng ruộng bao gồm hỗ trợ điều khiển quá trình tưới tiêu [18,24], giám sát cây trồng [9,30], tạo bản đồ địa hình [13,43] và nhiều ứng dụng khác [12]. Ví dụ, UAV tích hợp camera kỹ thuật số [43,47] có thể thu thập được sáu chỉ số VI phản ánh sức khỏe cây trồng trên cánh đồng [51].…”

Quantification of root lodging damage in corn using uncrewed aerial vehicle imagery

“…Previous researchers have used digital surface model (DSM) values and random forest models to classify different non‐lodged, lightly lodged, and severely lodged categories of root lodging in corn, though validation of actual height estimates were not conducted (Liu et al., 2023; Phillips & Ward, 2020; Wang et al., 2021). Extraction of imagery using polygons resulted in accurate prediction of corn height, though accuracy of uncrewed aircraft system estimation of lodged plant numbers was less strong (Chu et al., 2017).…”

Generalizability of a Random Forest-based model of maize lodging built with satellite image data and its application to monitoring and evaluating maize lodging risks

“…Random Forest (RF) classifiers have been widely used in construction of crop lodging models. Both Qu et al and Guan et al used RF in maize lodging classification models [11,18]. Zhou et al used remote-sensing data obtained from the Gaofen-1 satellite (GF-1) to establish models based on RF and partial least squares (PLS) to monitor maize lodging levels at the regional level.…”