Leaf area index (LAI) is a crucial biophysical variable for agroecosystems monitoring. Conventional vegetation indices (VIs) based on red and near infrared regions of the electromagnetic spectrum, such as the normalized difference vegetation index (NDVI), are commonly used to estimate the LAI. However, these indices commonly saturate at moderate-to-dense canopies (e.g., NDVI saturates when LAI exceeds three). Modified VIs have then been proposed to replace the typical red/green spectral region with the red-edge spectral region. One significant and often ignored aspect of this modification is that the reflectance in the red-edge spectral region is comparatively sensitive to chlorophyll content which is highly variable between different crops and different phenological states. In this study, three improved indices are proposed combining reflectance both in the red and red-edge spectral regions into the NDVI, the modified simple ratio index (MSR), and the green chlorophyll index (CI green ) formula. These improved indices are termed NDVI red& RE (red and red-edge NDVI), MS Rred& RE (red and red-edge MSR index), and CI red& RE (red and red-edge CI). The indices were tested using RapidEye images and in-situ data from campaigns at Maccarese Farm (Central Rome, Italy), in which four crop types at four different growth stages were measured. We investigated the predictive power of nine VIs for crop LAI estimation, including NDVI, MSR, and CIgreen; the red-edge modified indices: NDVI Red-edge , MSR Red-edge , and CI Red-edge (generally represented by VIRed-edge); and the newly improved indices: NDVI red& RE , MSR red& RE , and CI red& RE (generally represented by VI red& RE ). The results show that VI red& RE improves the coefficient of determination (R 2 ) for LAI estimation by 10% in comparison to VI Red-edge . The newly improved indices prove to be the powerful alternatives for the LAI estimation of crops with wide chlorophyll range, and may provide valuable information for satellites equipped with red-edge channels (such as Sentinel-2) when applied to precision agriculture.

This research investigates the suitability of PRISMA and Sentinel-2 satellite imagery for retrieving topsoil properties such as Organic Matter (OM), Nitrogen (N), Phosphorus (P), Potassium (K), and pH in croplands using different Machine Learning (ML) algorithms and signal pre-treatments. Ninety-five soil samples were collected in Quzhou County, Northeast China. Satellite images captured soil reflectance data when bare soil was visible. For PRISMA data, a Linear Mixture Model (LMM) was used to separate soil and Photosynthetic Vegetation (PV) endmembers, excluding Non-Photosynthetic Vegetation (NPV) using Band Depth values at the 2100 nm absorption peak of cellulose. Sentinel-2 bare soil reflectance spectra were obtained using thresholds based on NDVI and NBR2 indices. Results showed PRISMA data provided slightly better accuracy in retrieving topsoil nutrients than Sentinel-2. While no optimal predictive algorithm was best, absorbance data proved more effective than reflectance. PRISMA results demonstrated potential for predicting soil nutrients in real scenarios.

Despite its high importance for crop yield prediction and monitoring, early-season crop mapping is severely hampered by the absence of timely ground truth. To cope with this issue, this study aims at evaluating the capability of PRISMA hyperspectral satellite images compared with Sentinel-2 multispectral imagery to produce early- and in-season crop maps using consolidated machine and deep learning algorithms. Results show that the accuracy of crop type classification using Sentinel-2 images is meaningfully poor compared with PRISMA (14% in overall accuracy (OA)). The 1D-CNN algorithm, with 89%, 91%, and 92% OA for winter, summer, and perennial cultivations, respectively, shows for the PRISMA images the highest accuracy in the in-season crop mapping and the fastest algorithm that achieves acceptable accuracy (OA 80%) for the winter, summer, and perennial cultivations early-season mapping using PRISMA images. Moreover, the 1D-CNN algorithm shows a limited reduction (6%) in performance, appearing to be the best algorithm for crop mapping within operational use in cross-farm applications. Machine/deep learning classification algorithms applied on the test fields cross-scene demonstrate that PRISMA hyperspectral time series images can provide good results for early- and in-season crop mapping.

The estimation of topsoil properties such as texture and organic carbon (SOC), from satellite imaging spectroscopy is hampered by the variation of soil moisture at the time of data acquisition. In this work, a soil moisture estimation model is applied to PRISMA data, to select spectra acquired under dry conditions, from data collected in different dates in three study sites in Italy. The dataset is compared to one obtained by averaging the spectra acquired at different dates on the same elementary sampling units. The estimation of soil properties is performed using machine learning regression algorithms (MLRA). The selection of relatively dry spectra provided better results for the estimation of clay, for which a GPR model gave a relative root mean squared error (RRMSE) of 26.52. However, for sand and SOC the mean spectra from the different PRISMA acquisition dates provided better results.

Highly accurate rice cultivation distribution and area extraction are essential to food security. Moreover, Inner Mongolia, whose slogan is “from scientific rice to world rice”, is an essential national rice production base. However, high-quality rice mapping products at high resolutions are still scarce around the Inner Mongolia Autonomous Region. This condition is not conducive to rational planning of farmland resources, maintaining food security, and promoting sustainable growth of the local agricultural economy. In this study, the rice backscattering intensity difference index from the vertically polarized backscatter intensity of Sentinel-1 and the phenology differential index from the spectral indices of two critical rice phenological phases of Sentinel-2 images were constructed. Other spectral features, including spectral indices, tasseled cap, and texture features, were computed using simple non-iterative clustering (SNIC) to achieve image segmentation. These variables served as input features for the random forest (RF) algorithm. Results reveal that employing the RF with the SNIC segmentation algorithm and combining it with optical and synthetic aperture radar data is an effective way to extract data on rice in mid-latitude regions. The overall accuracy and kappa coefficient are 0.98 and 0.967, correspondingly. The accuracy for rice is 0.99, as proven by empirical data. These results meet the requirements of regional rice cultivation assessment and area monitoring. Furthermore, owing to its resilience against longitude-associated influences, the model discerns rice across diverse regions and multiple years, achieving an R2 of 0.99. This capability significantly bolsters efforts to improve regional food security and the pursuit of sustainable development.