Abstract One of the most common approaches to reducing the environmental impact of nitrogen (N) fertilisation in intensive agrosystems is to adjust the N input of the crop requirement. This adjustment is frequently related to the nitrogen nutrition index (NNI) based on the concepts of the critical and actual N absorbed (kg/ha) in the crop canopy (respectively, NC and CNC). Accurate estimation of the NC and CNC at the field scale over large areas based on freely available satellite imagery is thus a key issue to address. Relying on a large dataset of farmers' fields, this study highlights the high correlation (R2 = 0.90) between the wheat CNC and canopy chlorophyll content (CCC) retrieved from Sentinel-2 (S2) with an Artificial Neural Network (ANN). The estimation is related to errors of 4 and 21 kg/ha (depending on the growing stage), which is a promising result for evaluating the NNI. There are four major outcomes from this result: (i) the importance of working at the canopy level; (ii) the independence of the relationship to the considered cultivars; (iii) the dependence of the relationship on the growing stage; and (iv) the potential to use only the 10 m S2 bands, opening the way for precision agriculture. In parallel, estimation accuracies were investigated for the three biophysical variables (BV) related to the CNC and NC, i.e., the green area index (GAI), leaf chlorophyll content (Cab) and CCC. From this analysis, the added value of the red-edge bands for improving the estimation of the 3 BVs of interest was quantified as was the performance reduction related to the field heterogeneity.

中文翻译：

---

从 Sentinel-2 光谱带中检索冠层叶绿素含量以估计集约化冬小麦种植系统的氮吸收量

摘要 在集约化农业系统中，减少氮（N）施肥对环境的影响的最常见方法之一是调整作物需求的氮输入。这种调整通常与基于作物冠层（分别为 NC 和 CNC）吸收的临界氮和实际氮 (kg/ha) 概念的氮营养指数 (NNI) 相关。因此，基于免费提供的卫星图像在大面积的现场尺度上准确估计 NC 和 CNC 是一个需要解决的关键问题。本研究依赖于农田的大型数据集，强调了小麦 CNC 与使用人工神经网络 (ANN) 从 Sentinel-2 (S2) 检索到的冠层叶绿素含量 (CCC) 之间的高度相关性 (R2 = 0.90)。估计与 4 和 21 公斤/公顷的误差有关（取决于生长阶段），这是评估 NNI 的一个有希望的结果。这一结果有四个主要结果：(i) 在树冠层工作的重要性；(ii) 与所考虑品种的关系的独立性；(iii) 关系对成长阶段的依赖；(iv) 仅使用 10 m S2 波段的潜力，为精准农业开辟了道路。同时，研究了与 CNC 和 NC 相关的三个生物物理变量 (BV) 的估计精度，即绿地指数 (GAI)、叶绿素含量 (Cab) 和 CCC。从该分析中，可以量化红边带用于改进 3 个感兴趣的 BV 估计的附加值，以及与场异质性相关的性能降低。这一结果有四个主要结果：(i) 在树冠层工作的重要性；(ii) 与所考虑品种的关系的独立性；(iii) 关系对成长阶段的依赖；(iv) 仅使用 10 m S2 波段的潜力，为精准农业开辟了道路。同时，研究了与 CNC 和 NC 相关的三个生物物理变量 (BV) 的估计精度，即绿地指数 (GAI)、叶绿素含量 (Cab) 和 CCC。从该分析中，可以量化红边带用于改进 3 个感兴趣的 BV 估计的附加值，以及与场异质性相关的性能降低。这一结果有四个主要结果：(i) 在树冠层工作的重要性；(ii) 与所考虑品种的关系的独立性；(iii) 关系对成长阶段的依赖；(iv) 仅使用 10 m S2 波段的潜力，为精准农业开辟了道路。同时，研究了与 CNC 和 NC 相关的三个生物物理变量 (BV) 的估计精度，即绿地指数 (GAI)、叶绿素含量 (Cab) 和 CCC。从该分析中，可以量化红边带用于改进 3 个感兴趣的 BV 估计的附加值，以及与场异质性相关的性能降低。(iii) 关系对成长阶段的依赖；(iv) 仅使用 10 m S2 波段的潜力，为精准农业开辟了道路。同时，研究了与 CNC 和 NC 相关的三个生物物理变量 (BV) 的估计精度，即绿地指数 (GAI)、叶绿素含量 (Cab) 和 CCC。从该分析中，可以量化红边带用于改进 3 个感兴趣的 BV 估计的附加值，以及与场异质性相关的性能降低。(iii) 关系对成长阶段的依赖；(iv) 仅使用 10 m S2 波段的潜力，为精准农业开辟了道路。同时，研究了与 CNC 和 NC 相关的三个生物物理变量 (BV) 的估计精度，即绿地指数 (GAI)、叶绿素含量 (Cab) 和 CCC。从该分析中，可以量化红边带用于改进 3 个感兴趣的 BV 估计的附加值，以及与场异质性相关的性能降低。叶叶绿素含量 (Cab) 和 CCC。从该分析中，可以量化红边带用于改进 3 个感兴趣的 BV 估计的附加值，以及与场异质性相关的性能降低。叶叶绿素含量 (Cab) 和 CCC。从该分析中，可以量化红边带用于改进 3 个感兴趣的 BV 估计的附加值，以及与场异质性相关的性能降低。