Development of methodologies and comparative agronomic evaluation of precision nitrogen fertilization driven by remote sensing data: a case study on durum wheat and maize
Author(s)
Crema, Alberto
Date Issued
July 23, 2021
Type
Doctoral Thesis
Abstract
Research for new technologies applied to agriculture corresponds to the best way to know and interpret what happens in crops cycle to be able to manage them accordingly. This knowledge allows us to make decisions in the best possible way. Precision Agriculture (PA) is an approach that uses information and intelligent systems to manage crops wisely and rationally. Remote Sensing (RS) is a technology that allows us to have georeferenced and spatialized information in a recursive and constant manner for crop monitoring. Today we have the expertise to provide alternative activities and to offer a very wide range of complementary solutions for different agricultural applications especially for extensive crops such as cereals.
It is well known that if we want to reduce the environmental impact of crop production, we need to optimize our management strategies, maintaining or improving the production and reducing the inputs at the same time. Considering the amounts used and the significant environmental economical costs, the management of fertilization is a crucial factor in pursuing economic, environmental and use-efficiency objectives. The development of a fertilization strategy carried out according to the real needs of the crop, in a site-specific way and with variable rates depending on changing needs in space and time, is a key factor if we want to take careful decisions.
This research work stems from the need to outline operational methodologies for the management of nitrogen fertilization at variable rate, that can benefit from PA technologies and makes use of information derived from remote satellite imagery, to assess nutritional crop status. The selected crops for the case study are two of the most important cereals cultivated at national level, maize and durum wheat, both requiring essential fertilization to ensure adequate production. The activities were developed in an agricultural context with a strong technological vocation and applied research such as that of the company Bonifiche Ferraresi spa and the objectives were born from real needs to improve production techniques.
There are many different techniques and strategies available to adapt the nitrogen input (N) to the real crops needs, but many of the available methods are based on the use of proximal sensors that are costly and require field instrumentation that limits their extensive adoption in real farming conditions. For this reason, more and more attention has been paid to the development of advanced fertilisation management strategies that exploit satellite data, many of which are based on the assessment of the nitrogen nutritional status of crops. The research activity has been focused in this area with the scope to: i) test solutions for the estimation of crop nutritional status from satellite data and ii) implement a work-flow of fertilisation strategy in real farm conditions. The experimental design involved two main phases (I and II).
Phase I (F1) was devoted to study solutions to assess the nutritional status of maize and durum wheat by exploiting satellite Sentinel-2 (S2) observations. The characteristics of this optical multispectral satellite launched by the European Space Agency (ESA) are ideal for the development of PA applications based on crop status assessment. Moreover, the theoretical revisiting time of 5-days on any study area, makes this solution as a suitable tool for generating constantly updated information. In particular, estimation of nitrogen nutrition index (NNI) from Sentinel-2 (S2) satellite images was investigated to assess crop nutritional status by analyzing the role and the impact of soil properties variability in the proper evaluation of crop nitrogen deficiency. Vegetation indices (VIs) and biophysical variables (BVs), such as the green area index (GAI_S2), leaf chlorophyll content (Cab_S2) and canopy chlorophyll content (CCC_S2), derived from S2 imagery, were used to investigate plant N status and NNI retrieval, in the perspective of its use for guiding site-specific N fertilization. Two field trials (maize and durum wheat) were conducted by imposing to groups of plots in areas with different soil characteristics, different N treatments, in order to generate nutritional variability in the crop. Field data collection highlighted different responses of the crops to N rate and soil type in terms of NNI, biomass (W) and plant nitrogen concentration (Na%). For both crops, plots in one soil class (FOR1) evidenced considerably lower values of BVs and higher stress conditions with respect to other soil classes even for high N rates. Soil samples analyses showed for FOR1 soil class statistically significant differences for pH, compared to the other soil classes, indicating that this property could be a limiting factor for nutrient absorption, hence crop growth, regardless of the amount of N distributed to the crop. The correlation analysis performed between measured crop BVs and satellite based products (VIs and S2_BVs) showed that it is possible to: (i) directly derive NNI from CCC_S2 (R2=0.76) and either Normalized difference red edge index (NDRE) for maize (R2=0.79) or Transformed Chlorophyll Absorption Ratio Index (TCARI) for durum wheat (R2=0.61); (ii) indirectly estimate NNI as the ratio of plant nitrogen uptake (PNUa) and critical plant nitrogen uptake (PNUc) derived using CCC_S2 (R2=0.77) and GAI_S2 (R2=0.68) respectively.
Following the results obtained in F1, Phase II (F2) of the study was devoted to develop methodologies and algorithms for the application of variable rate N fertilizations. Two different VRT approaches (VR1 and VR2) for spatially distributed nitrogen supply were tested and compared to a soil nutrient balance approach not spatially distributed (Uniform Rate - UR). Experimental fields for two new trials (maize and durum wheat) were divided into regular grid parcels, for which different N distribution strategies were randomly applied in near real time in the best moment during the crop season. Differentiated amounts of N were defined on the base of crop nutritional status assessment derived by satellite images acquired close to the fertilization period on the base of Phase I results. The two VRT remote sensing based approaches, were focused on i) the assessment of difference between actually absorbed and critical N uptake (ΔPNU) (namely VR1) and ii) the calculation of Sufficiency Index (SI) as the ratio of a real-time sensed crop property to the same measurement from a reference known by statistically analyse VI variability in the field (namely VR2). Agronomic strategy performance for VR1 and VR2 were compared to the one obtained by an homogeneous fertilisation approach (UR) that defines nitrogen requirement on the base of field data for the computation of an agronomic simplified balance (ASB).
The evaluation of performance of the two remote sensing based methods for the definition of N needs (VR1 - VR2) in comparison to the standard method adopted by the farm (UR), was performed by analyzing yield maps. Three indicators were considered for each method (VR1, VR2 and UR): i) the average yield expressed in t ha-1; ii) the N use efficiency with Partial Factor Productivity of nitrogen (PFPN kg kg N ha-1) and iii) the net return (RANC € t) based on the costs incurred.
In general, production for the VR method was less than the farm average by 24% for durum wheat and 18% for maize, despite the fact that the total amount of nitrogen used was lower than the farm average from 22% to 48% in durum wheat and around 40% in maize. The PFPN use efficiency indicator showed that for both wheat and maize the best method was the agronomic balance (UR) with 38.2 kg kg of N ha−1 for wheat and 88.2 kg of N ha−1 for maize, followed by the VR1 method (ΔPNU) with 35.2 kg kg of N ha−1 for wheat and 84.4 kg of N ha−1 for maize. From an economic point of view (RANC) the ΔPNU method generated a higher net profit in both crops of 647 € t (+20% than UR) for wheat and 2198 € t (+ 6% than a UR) for maize. The methods supported by satellite data have thus obtained comparable and in some cases better results than methods based on real soil properties data acquired in the field. However, it is important to underline how spatially distributed soil information is not commonly available or else very costly in normal farm condition. Hence, the obtained results can represent an alternative that can be easily scaled to large areas. In addition to these findings, the study has achieved further objectives: i) the experiment demonstrated the possibility of adopting these techniques for all the fertilizations in an operational manner and potentially over all fields cultivated with cereals; ii) it demonstrated that where remotely derived nutrition information was used, less nitrogen was supplied where the crop was in good nutritional condition without impacting on final yield ; iii) it showed that the different characteristics of the soils had a very marked effect on the variability of production and that it is therefore necessary to consider these information for a complete crop stress analysis in order to identify the real limiting factor in crop nutritional status and hence define the more appropriate management strategy. During the season, the real need of the crop, at any precise moment, was correctly estimated and in some cases (some parcels) the fertilizers were not supplied, because it was considered unnecessary, without significantly affecting the final crop production. This fact represented an advantage for VR1 and VR2 methods and on the other hand highlighted the limit for a non-spatialized approach such as UR. The ASB method used can be considered already an advanced approach with respect to common fertilization based on fixed dose. ASB provides a quantification of the nitrogen dose on the basis of real soil properties. However, it does not consider seasonal variability due to the soil/crop/atmospheric interaction that produces within-field crop spatial variability, hence nutritional needs. In doing so, UR had a negative economic return value (RANC) for some areas of the field (-27 € t) which means going into economic loss already only with the cost of fertilizers.
In conclusion, this study demonstrated the added value of information derived from satellite images in an operational context of cereal cultivation. Results have highlighted the impact of the interaction of different limiting factors, such as nitrogen deficiency and soil properties variability, that need to be assessed, producing quantitative and spatially distributed information constantly updated for proper management in support to PA activities.
La tecnologia applicata all'agricoltura rappresenta il miglior strumento per conoscere e interpretare i processi che si sviluppano durante il ciclo delle colture e poterli di conseguenza gestire. Questa conoscenza è lo strumento che ci permette di poter prendere decisioni nel miglior modo possibile. L'agricoltura di precisione è un approccio che sfrutta informazioni e sistemi intelligenti per gestire le coltivazioni in maniera oculata e razionale. Il telerilevamento è una tecnologia che ci permette di avere informazioni georiferite e spazializzate in maniera ricorsiva e senza contatto per il monitoraggio delle colture. Insieme, oggigiorno, sono in grado di offrire una gamma di soluzioni molto ampia per diverse applicazioni in campo agricolo soprattutto per colture estensive come i cereali. Per questo motivo stiamo assistendo ad uno sviluppo molto repentino di queste tecnologie che sta spingendo la ricerca a trovare soluzioni adeguate per un utilizzo operativo di questi strumenti da parte degli agricoltori.
È risaputo che se vogliamo ridurre l’impatto ambientale dell’agricoltura è necessario migliorare le nostre strategie di gestione dei processi produttivi mantenendo o migliorando le produzioni e contestualmente riducendo input ed esternalità negative. Considerando i volumi impiegati e i notevoli costi economico ambientali, la gestione ponderata della fertilizzazione è un fattore cruciale per perseguire obiettivi economici, ambientali e di efficienza d’uso. Lo sviluppo di una fertilizzazione effettuata secondo le reali esigenze della coltura, in maniera sito-specifica e con dosi variabili a seconda di necessità spesso mutevoli nello spazio e nel tempo, è un fattore chiave che sta trovando un ampio e rapido sviluppo.
Questo lavoro di ricerca nasce dall’esigenza di definire metodologie operative che possano beneficiare di tecniche di agricoltura di precisione per la gestione della fertilizzazione azotata a tasso variabile sfruttando informazioni sullo stato nutrizionale delle colture derivate da remoto tramite immagini satellitari. Le colture selezionate sono due dei più importanti cereali coltivati a livello nazionale, il mais ed il frumento duro, entrambe interessate da essenziali interventi di fertilizzazione per garantire produzioni adeguate. Le attività sono state sviluppate in un contesto agricolo a vocazione fortemente tecnologica e di ricerca applicata come quello dell’azienda Bonifiche Ferraresi Spa e gli obiettivi sono nati da reali esigenze di miglioramento delle tecniche produttive.
Sono diverse e molteplici le tecniche e le strategie disponibili per adeguare l'apporto di azoto (N) alle reali esigenze delle colture ma molti dei metodi disponibili si sono evoluti partendo dall’uso di misure dirette di parametri colturali tramite campionamenti, strumenti portatili o sensori prossimali. Una attenzione sempre più crescente viene invece data a sistemi di gestione delle tecniche agronomiche basate su dati acquisiti da remoto (satelliti, droni ecc) molti dei quali comprendono la valutazione dello stato nutrizionale delle colture. L’attività di sperimentazione è stata incentrata in questo ambito e sull’uso di dati satellitari ottici e nel corso del suo sviluppo è stata suddivisa in due fasi principali (I e II) ripartite in tre anni 2018-2020 con obiettivi connessi tra loro.
Nella Fase I (F1) l’attenzione è stata posta sullo studio della capacità di monitoraggio dello stato nutrizionale del mais e del frumento duro da parte del satellite Sentinel-2 (S2). Le caratteristiche di questo satellite ottico multispettrale dell’Agenzia Spaziale Europea (ESA) sono ideali per lo sviluppo di applicazioni in ambito di AP e il tempo di rivisitazione di 5 giorni di qualsivoglia area studio e la risoluzione spaziale decametrica, ne fanno un prezioso strumento per avere informazioni dettagliate e costantemente aggiornate. Nello specifico è stata osservata l'affidabilità della valutazione dello stato nutrizionale azotato delle colture attraverso la stima del Nitrogen Nutrition Index (NNI) da immagini S2, concentrandosi sull'impatto della variabilità delle proprietà del suolo. Sono stati utilizzati indici di vegetazione (Vis) e variabili biofisiche (Bvs) derivate da S2 come il Green Area Index (GAI_S2), il contenuto di clorofilla fogliare (Cab_S2) e il contenuto di clorofilla fogliare (CCC_S2) per derivare l’indicatore NNI in prospettiva di un suo utilizzo per fertilizzazioni sito-specifiche.
Due prove sperimentali in pieno campo, rispettivamente su maize e frumento duro, per la generazione di variabilità nutrizionale artificialmente indotta tramite diversi trattamenti di N, sono state condotte manipolando gruppi di parcelle in aree con caratteristiche del suolo differenti. La raccolta dei dati in campo ha evidenziato una diversa risposta delle colture al tasso di N e al tipo di suolo in termini di NNI, biomassa (W) e concentrazione di azoto (Na%). Per entrambe le colture, le parcelle di una classe di suolo (FOR1) hanno evidenziato valori di Bvs inferiori e condizioni di stress notevolmente superiori rispetto ad altre classi di suolo anche per tassi di N elevati. Le analisi dei campioni di suolo hanno mostrato per la classe FOR1 differenze statisticamente significative per il pH, rispetto alle altre classi di suolo, indicando che questa proprietà potrebbe essere un fattore limitante per l'assorbimento dei nutrienti e quindi la crescita delle colture, indipendentemente dalla quantità di N distribuita alla coltura. L'analisi di correlazione tra Bvs misurate e prodotti basati su satelliti (Vis e S2_bvs) ha mostrato che è possibile: (i) ricavare direttamente l’NNI da CCC_S2 (R2=0.76) e dal Normalized Difference Red Edge index (NDRE) per il maize (R2=0.79) o da Transformed Chlorophyll Absorption Ratio Index (TCARI) per il grano duro (R2=0.61); (ii) indirettamente stimare NNI dal rapporto tra la quantità di azoto assorbito dalla coltura (Plant Nitrogen Uptake actual - PNUa) e la l'assorbimento critico di azoto (Critical Plant Nitrogen Uptake - PNUc) derivato utilizzando CCC_S2 (R2=0.77) e GAI_S2 (R2=0.68) rispettivamente.
Grazie ai risultati ottenuti nella F1 sono stati messi a punto le metodologie e gli algoritmi per l’applicazione di fertilizzazioni a tasso variabile di N in un contesto di confronto agronomico tra metodi di distribuzione spazialmente distribuiti (VR1-VR2) e non (UR). La Fase II (2019-2020) dello studio ha perciò previsto la creazione di due ulteriori campi sperimentali, rispettivamente su mais e frumento duro, suddivisi in parcelle per la distribuzione, in pieno campo e in tempo reale, di quantità differenziate di azoto in base alla variabilità nutrizionale riscontrata da immagini satellitari acquisite a ridosso del periodo delle fertilizzazioni e all’uso di indicatori come la differenza tra l’N uptake assorbito e critico (ΔPNU) per VR1, l’indice di sufficienza (SI) per VR2 e il fabbisogno di azoto definito da un bilancio agronomico semplificato (ASB) per UR.
La valutazione della performance dei diversi metodi di definizione dei fabbisogni azotati da remoto (VR1 – VR2) in confronto a quello standard aziendale (UR), è avvenuta attraverso l'analisi dei dati di produzione (mappe di resa) ed il confronto tra 3 indicatori: i) la resa media espressa in t ha-1; ii) l’efficienza d’uso dell’azoto Partial Factor Productivity dell’azoto (PFPN kg kg N ha-1); iii) il ritorno netto (RANC € t) in base ai costi sostenuti. I valori puntuali delle mappe di resa, sono stati utilizzati per un’analisi della distribuzione spaziale della resa nelle parcelle e nelle classi di suolo attraverso tecniche di geostatistica uni o multivariata (ordinary e Pseudo co-Kriging). Questa analisi geostatistica più approfondita non ha però fornito risultati soddisfacenti anche a causa di ingenti danni alle due colture accorsi in alcune aree dei due campi sperimentali. In generale, la produzione è stata inferiore della media aziendale del 24% per il frumento duro e del 18% per il mais. Nonostante ciò, i quantitativi di azoto totale utilizzati sono stati inferiori rispetto alla media aziendale dal 22 al 48% nel frumento duro e attorno al 40% nel mais. L’indicatore di efficienza d’uso PFPN ha evidenziato che sia per il grano che per il mais il metodo migliore è stato quello del bilancio agronomico (UR) con 38.2 kg kg di N ha-1 per il grano e 88.2 kg kg di N ha-1 per il mais, seguito dal metodo VR1 (ΔPNU) con 35.2 kg kg di N ha-1 per il grano e 84.4 kg kg di N ha-1 per il mais. Da un punto di vista economico (RANC) il metodo ΔPNU ha generato un maggior utile netto in entrambe le colture pari a 647 € t (+20% rispetto a UR) per il grano e 2198 € t (+ 6% rispetto a UR) per il mais. I metodi supportati da dati satellitari hanno quindi ottenuto risultati comparabili ed in alcuni casi migliori dei metodi di stima dei fabbisogni basati su dati reali acquisiti in campo. Oltre a questi risultati, lo studio ha raggiunto ulteriori obiettivi: i) l’esperimento ha dimostrato la possibilità di adottare queste tecniche in maniera operativa su più fertilizzazioni di copertura e potenzialmente su tutta la superficie coltivata a cereali; ii) ha dimostrato come, laddove siano state utilizzate informazioni sullo stato nutrizionale derivate da remoto, è stato fornito meno azoto dove la coltura ha prodotto di più; iii) ha evidenziato come le diverse caratteristiche dei suoli hanno un effetto molto marcato sulla variabilità delle produzioni. Durante la stagione è stato correttamente stimata la reale necessità della coltura in ogni preciso momento e in alcuni casi (alcune parcelle in N3) non è stato somministrato fertilizzante perché ritenuto non necessario senza aver intaccato la produzione finale. Questo fatto ha rappresentato un vantaggio per i metodi VR1 e VR2 e un limite per un approccio non spazializzato come UR, che benché sia già un metodo avanzato (ASB) che offre benefici in termini di efficienza e di quantificazione della dose di azoto, non sfruttando informazioni spazialmente distribuite ha avuto valori di ritorno economico RANC addirittura negativi in alcune aree del campo (-27 € t) che significa andare in perdita di guadagno già solo con il costo dei fertilizzanti.
In conclusione questo studio ha dimostrato l’applicabilità di informazioni a valore aggiunto derivate da immagini satellitari Sentinel-2 in un contesto operativo di coltivazione di cereali, ed ha permesso di evidenziare l’impatto di potenziali fattori limitanti come azoto e variabilità dei suoli per poterli gestire con informazioni quantitative e spazialmente distribuite costantemente aggiornate come supporto alle attività di agricoltura di precisione.
Additional information
Dottorato di ricerca in Scienze delle produzioni vegetali e animali
File(s)![Thumbnail Image]()
Name
acrema_tesid.pdf
Size
8.32 MB
Format
Adobe PDF
Checksum (MD5)
14cb3cf1a3d79aa15f59b9272e078ddc