Target-N: Sentinel-2-baserad kväveoptimering i höstvete och maltkorn

The goal is models for translating satellite data from the time of supplementary fertilisation directly to nitrogen (N) recommendation maps. The crops are winter wheat (Triticum aestivum L.) and malting barley (Hordeum vulgare L.). A new multispectral camera for drones, with nine bands of the same specifications as Sentinel-2 in the 400-900 nm spectral range, will be used to collect reflectance data in Swedish trial series L3-2299 and L3-2302. Robust models for economically optimal N rates will be developed and evaluated. If successful, models can be implemented in satellite-based decision support systems for precision agriculture, such as CropSAT. Key results will be implemented in a ‘Focus on Nutrients’ (national programme to improve nutrient use efficiency) module on precision agriculture. Potential benefits of the models can be large, by enabling wide application of more accurate N fertilisation. The project spans the knowledge chain from needs-driven research to evaluation.

Målet är prediktionsmodeller som direkt översätter satellitdata från tiden för tilläggsgödsling till kväverekommendationskartor. Grödorna är höstvete (Triticum aestivum L.) och maltkorn (Hordeum vulgare L.). En ny drönarburen multispektral kamera med nio våglängdsband med samma specifikationer som Sentinel-2 i det spektrala området 400-900 nm ska användas för att samla in reflektansdata i försöksserierna L3-2299 och L3-2302. Från insamlade data ska robusta modeller för ekonomiskt optimal kvävegiva utvecklas och utvärderas. Om dessa bedöms tillförlitliga ska de tillhandahållas fritt för implementering i satellitbaserade beslutsstödsystem för precisionsodling (t.ex. CropSAT). Viktiga resultat från projektet ska implementeras i Greppa Näringens precisionsodlingsmodul. Nyttan för näringen bedöms som stor då man möjliggör bred tillämpning av mer träffsäker kvävegödsling och projektet spänner över hela kunskapskedjan från behovsdriven forskning till produktutveckling och utvärdering.

I projektet utvecklades Target-N, en strategi för satellitbaserad modellering av platsspecifikt optimala givor för kvävekomplettering i sen stråskjutningsfas i höstvete (Triticum aestivum L.) och maltkorn (Hordeum vulgare L.). Först modelleras optimal medelgiva för fältet baserat på skördepotential, N-upptag i nollrutor mm. Sedan modelleras en relativ kvävegiva (ökning/minskning) som läggs till medelgivan baserat på fjärranalysbaserade vegetationsindex, även dessa uttryckta i relation till fältgenomsnittet. För modelleringen användes reflektansdata från en drönarkamera med nio våglängdsband som matchar Sentinel 2-satelliternas band (tio fältförsök per gröda under tre år i södra Sverige). I en korsvalidering som utelämnade ett helt försök i taget, hade de satellitbaserade kompletteringsgivorna ett genomsnittligt absolutfel på 17 kg N ha-1 i höstvete och 20 kg N ha-1 i vårkorn. Modeller från projektet testas för närvarande i CropSAT och tillgängliggörs därmed för bred användning.

Syftet med Target-N-projektet var att ta fram praktiskt tillämpbara satellitbaserade modeller för platsspecifik kompletteringsgödsling med kväve (N) under stråskjutningen i höstvete och maltkorn. Precisionskomplettering med N görs för närvarande antingen genom sensorer monterade på traktorer (vanligast Yara N-Sensor) eller genom webbaserade beslutsstödsystem som bygger på satellitdata (t ex CropSAT.se). Det har saknats fritt tillgängliga modeller för hur man fördelar N inom fält med hjälp av spektrala data i form av vegetationsindexkartor från fjärranalys. Det här projektet fyller en viktig funktion genom att ta fram robusta modeller som kan förbättra den här typen av satellitbaserade system som används i lantbruket.

För att ta fram modellerna använde vi data från fältförsök i höstvete och maltkorn utförda 2019-2021 (serierna L7-150 och L7-426). Vi flög med drönare som utrustats med en sensor som har nio våglängdsband inom det synliga till infraröda området som motsvarar viktiga band hos de Sentinel-2-satelliterna. Med detta upplägg kunde vi skapa modeller som passar för Sentinel-2-satelliterna trots att försöksrutor är för små för att direkt kunna kopplas till dessa satellitdata. Flygning med drönare gjordes över fyra försök per år och gröda, vid tre tillfällen per år (i början respektive slutet av stråskjutningen, samt i slutet av blomningen). Försöken fanns i Skåne, Halland, Västergötland, Östergötland och Närke. Veteförsöken innefattade tio sorter och sex kvävenivåer per år. Maltkornsförsöken omfattade sex sorter med fem kvävenivåer per år. Kalibrerade reflektansvärden från drönarkameran kopplades samman med information om gödsling, skörd och proteinhalt i de olika försöksrutorna. Med detta som underlag byggdes modeller för att förutsäga optimal kvävegiva baserat på spektral information om grödans status.

I projektet fann vi bland annat följande: skördepotential samt kväveupptag i ogödslade rutor, som ger information om markens egen kväveleverans, var viktigast för att bestämma fältets medelgiva. För att sammanfatta reflektansdata från fjärranalys av grödor beräknas ofta olika vegetationsindex. När man sedan ska bestämma hur mycket kväve som ska läggas till eller dras ifrån medelgivan i olika delar av fältet fungerar multispektrala vegetationsindex, som inkluderar något längre våglängder (mellan 700 och 870 nm; de s.k. rededge- och NIR-områdena) betydligt bättre än vegetationsindex som enbart baseras på grödans reflektans av synligt ljus (vilket exempelvis kan registreras med en vanlig drönarburen digitalkamera). Dessa resultat stämmer överens med tidigare forskning på området. I en utvärdering av strategin att först modellera optimal medelgiva, och sedan modellera den rumsliga variationen kring denna baserat på det bästa indexet för respektive gröda, kunde ett lägsta medelfel på 17 kg N ha-1 för höstvete respektive 20 kg N ha-1 för maltkorn erhållas. Att som i denna strategi använda relativa reflektansdata snarare än absoluta värden, bedömdes vara en bra metod då det gör överföringen mellan drönare och satellit säkrare.

Modellerna som togs fram har delvis redan publicerats vetenskapligt samt implementerats i CropSAT. En förenklad modell har testats sedan 2021, och inför 2023 kommer en mer avancerad funktion att utvecklas i det systemet. Optimering av kväveanvändningen så att tilldelningen anpassas till det faktiska behovet på fältets olika delar är grundläggande för att kunna höja skördar och erhålla önskad kvalitet. Dessutom är överoptimal kväveanvändning starkt kopplad till förluster av N till atmosfären eller sjöar och vattendrag. Metoden som användes här, där man snabbt kan överföra resultat från fältförsök till slutanvändare genom att kombinera avancerade drönarsensorer med satellitdata och digitala beslutsstödsystem bör vara mycket intressant att tillämpa framöver.