The knowledge of global solar radiation (H) is a prerequisite for the use of renewable solar energy, but H measurements are always not available due to high costs and technical complexities. The present study proposes two machine learning algorithms, i.e. Support Vector Machine (SVM) and a novel simple tree-based ensemble method named Extreme Gradient Boosting (XGBoost), for accurate prediction of daily H using limited meteorological data. Daily H, maximum and minimum air temperatures (Tmax and Tmin), transformed precipitation (Pt, 1 for rainfall > 0 and 0 for rainfall = 0) and extra-terrestrial solar radiation (H0) during 1966–2000 and 2001–2015 from three radiation stations in humid subtropical China were used to train and test the models, respectively. Two combinations of input parameters, i.e. (i) only Tmax, Tmin and Ra, and (ii) complete data were considered for simulations. The proposed machine learning models were also compared with four well-known empirical models to evaluate their performances. The results suggest that the SVM and XGBoost models outperformed the selected empirical models. The performance of the machine learning models was improved by 5.9–12.2% for training phase and by 8.0–11.5% for testing phase in terms of RMSE when information of precipitation was further included. Compared with the SVM model, the XGBoost model generally showed better performance for training phase, and slightly weaker but comparable performance for testing phase in terms of accuracy. However, the XGBoost model was more stable with average increase of 6.3% in RMSE, compared to 10.5% for the SVM algorithm. Also, the XGBoost model (3.02 s and 0.05 s for training and testing phase, respectively) showed much higher computation speed than the SVM model (27.48 s and 4.13 s for training and testing phase, respectively). By jointly considering the prediction accuracy, model stability and computational efficiency, the XGBoost model is highly recommended to estimate daily H using commonly available temperature and precipitation data with excellent performance in humid subtropical climates.

Accurate estimation of reference evapotranspiration (ET0) is of great importance for the regional water resources planning and irrigation scheduling design. The FAO-56 Penman-Monteith model is recommended as the reference model to predict ET0, but its application is commonly restricted by lack of complete meteorological data at many worldwide locations. This study evaluated the potential of machine learning models, particularly four relatively simple tree-based assemble algorithms (i.e. random forest (RF), M5 model tree (M5Tree), gradient boosting decision tree (GBDT) and extreme gradient boosting (XGBoost)), for estimating daily ET0 with limited meteorological data using a K-fold cross-validation method. For assessment of the tree-based models in terms of prediction accuracy, stability and computational costs, these models were further compared with their corresponding support vector machine (SVM) and extreme learning machine (ELM) models. Four input combinations of daily maximum and maximum temperature (Tmax and Tmin), relative humidity (Hr), wind speed (U2), global and extra-terrestrial solar radiation (Rs and Ra) with Tmax, Tmin and Ra as the base dataset were considered using meteorological data during 1961–2010 from eight representative weather stations in different climates of China. The results showed that, when lack of complete meteorological data, the machine learning models using Tmax, Tmin, Hr, U2 and Ra obtained satisfactory ET0 estimates in the temperate continental, mountain plateau and temperate monsoon zones of China (RMSE < 0.5 mm d−1). However, models with three input parameters of Tmax, Tmin and Rs were superior for daily ET0 prediction in the tropical and subtropical zones. The ELM and SVM models offered the best combination of prediction accuracy and stability. The simple tree-based XGBoost and GBDT models showed comparable accuracy and stability to the SVM and ELM models, but exhibited much less computational costs. Considering the complexity level, prediction accuracy, stability and computational costs of the studied models, the XGBoost and GBDT models have been recommended for daily ET0 estimation in different climatic zones of China and maybe elsewhere with similar climates around the world.

Efficient acquisition of crop leaf moisture information holds significant importance for agricultural production. This information provides farmers with accurate data foundations, enabling them to implement timely and effective irrigation management strategies, thereby maximizing crop growth efficiency and yield. In this study, unmanned aerial vehicle (UAV) multispectral technology was employed. Through two consecutive years of field experiments (2021–2022), soybean (Glycine max L.) leaf moisture data and corresponding UAV multispectral images were collected. Vegetation indices, canopy texture features, and randomly extracted texture indices in combination, which exhibited strong correlations with previous studies and crop parameters, were established. By analyzing the correlation between these parameters and soybean leaf moisture, parameters with significantly correlated coefficients (p < 0.05) were selected as input variables for the model (combination 1: vegetation indices; combination 2: texture features; combination 3: randomly extracted texture indices in combination; combination 4: combination of vegetation indices, texture features, and randomly extracted texture indices). Subsequently, extreme learning machine (ELM), extreme gradient boosting (XGBoost), and back propagation neural network (BPNN) were utilized to model the leaf moisture content. The results indicated that most vegetation indices exhibited higher correlation coefficients with soybean leaf moisture compared with texture features, while randomly extracted texture indices could enhance the correlation with soybean leaf moisture to some extent. RDTI, the random combination texture index, showed the highest correlation coefficient with leaf moisture at 0.683, with the texture combination being Variance1 and Correlation5. When combination 4 (combination of vegetation indices, texture features, and randomly extracted texture indices) was utilized as the input and the XGBoost model was employed for soybean leaf moisture monitoring, the highest level was achieved in this study. The coefficient of determination (R2) of the estimation model validation set reached 0.816, with a root-mean-square error (RMSE) of 1.404 and a mean relative error (MRE) of 1.934%. This study provides a foundation for UAV multispectral monitoring of soybean leaf moisture, offering valuable insights for rapid assessment of crop growth.

The leaf area index (LAI) is a crucial physiological indicator of crop growth. This paper introduces a new spectral index to overcome angle effects in estimating the LAI of crops. This study quantitatively analyzes the relationship between LAI and multi-angle hyperspectral reflectance from the canopy of winter oilseed rape (Brassica napus L.) at various growth stages, nitrogen application levels and coverage methods. The angular stability of 16 traditional vegetation indices (VIs) for monitoring the LAI was tested under nine view zenith angles (VZAs). These multi-angle VIs were input into machine learning models including support vector machine (SVM), eXtreme gradient boosting (XGBoost), and Random Forest (RF) to determine the optimal monitoring strategy. The results indicated that the back-scattering direction outperformed the vertical and forward-scattering direction in terms of monitoring the LAI. In the solar principal plane (SPP), EVI-1 and REP showed angle stability and high accuracy in monitoring the LAI. Nevertheless, this relationship was influenced by experimental conditions and growth stages. Compared with traditional VIs, the observation perspective insensitivity vegetation index (OPIVI) had the highest correlation with the LAI (r = 0.77–0.85). The linear regression model based on single-angle OPIVI was most accurate at −15° (R2 = 0.71). The LAI monitoring achieved using a multi-angle OPIVI-RF model had the higher accuracy, with an R2 of 0.77 and with a root mean square error (RMSE) of 0.38 cm2·cm−2. This study provides valuable insights for selecting VIs that overcome the angle effect in future drone and satellite applications.

Drip fertigation (DF) is a widely used technology to increase grain yield with water and fertilizer conservation. However, the mechanism of high grain yield (GY) under DF is still unclear. Here, a four-year field experiment assessed the impacts of four treatments (i.e., conventional irrigation and nitrogen application, CK; drip irrigation with conventional nitrogen fertilization, DI; split-nitrogen fertigation with conventional irrigation, SF; and drip fertigation, DF) on maize phenology, leaf photosynthetic rates, grain filling processes, plant biomass, and GY. The results showed that DF significantly increased maize GY by affecting phenology, grain filling traits, aboveground biomass (BIO) accumulation, and translocation. Specifically, DF significantly increased leaf chlorophyll content, which enhanced leaf photosynthetic rates, and together with an increase of leaf area index, promoted BIO accumulation. As a result, the BIO at the silking stage of DF increased by 29.5%, transported biomass increased by 109.2% (1.2 t ha

The Nitrogen Nutrition Index (NNI), based on the Critical Nitrogen Concentration (Nc), is widely utilized to evaluate crop nitrogen nutrition. However, the impact of water deficit on crop Nc remains unclear. To address this, a 3-year joint water-nitrogen regulation experiment on winter wheat was conducted to investigate the responses of Nc dilution curve parameters (A1 and A2 in Nc ​= ​A1DM−A2, where DM represents aboveground dry biomass), nitrogen accumulation (NA), and grain yield (GY) to different water management strategies. The study employed Bayesian statistical methods to establish the Nc dilution curve, which revealed a slightly lower curve compared to that derived using classical methods. The posterior distribution indicated substantial overlap in parameters A1 (89.8%) and A2 (89.4%) between deficit irrigation (DI) and full irrigation (FI). The overlap of parameter A1 was 67.2% between rainfed and irrigated (DI and FI) treatments, whereas for parameter A2, it was only 29.9%. Analysis of variance showed a significant difference (p ​< ​0.05) in parameter A2 between rainfed and irrigated treatments, but no significant differences were found (p ​> ​0.05) between DI and FI treatments. Additionally, NA and GY of winter wheat displayed insignificant differences between irrigation treatments; however, they were, on overage, significantly higher by 31.2% and 23.2%, respectively, under irrigated conditions compared to rainfed conditions. This study is the first to demonstrate that severe water deficit (rainfed conditions) significantly affects parameter A2 of the Nc dilution curve, underscoring the importance of considering actual water conditions in applying the NNI for nitrogen fertilizer management.

Understanding soil moisture dynamics is crucial for crop growth. The digital mapping of field soil moisture distribution provides valuable information for agricultural water management. The optical satellite data provides fine scale soil moisture information for a region. However, these data are greatly limited due to cloud contamination and revisit period. Despite the reported beneficial effects of spatiotemporal fusion methods, the accurate estimates of high-resolution soil moisture through spatiotemporal fusion data are still unclear, particularly when using Sentinel-2/3 fusion images. This study introduces a new soil moisture estimation framework integrating spatio-temporal spectral information from Sentinel-2/3 fusion images and machine learning algorithm,and thus provide spatiotemporally continuous soil moisture estimation. The framework includes four fusion methods (ESTARRFM, Fit-FC, FSDAF and STFMF) and four machine learning models (PLSR, SVM, RF and GBRT). The feasibility of the framework was validated in the Hetao Irrigation Area of Inner Mongolia, China. The results showed that the Sentinel-2/3 fused image generated by Fit-FC was visually the closest to the true image, followed by ESTARFM, FSDAF, and STFMF. The spatiotemporal fusion-machine learning estimation framework provided reliable estimation for multi-layer (0 ∼ 20, 20 ∼ 40 and 40 ∼ 60 cm) soil water in the irrigation area. The dense time series of soil water generated by the framework facilitated the detection of irrigation events in the irrigated farmland. Our findings highlighted the effectiveness of Sentinel-2/3 fused images in providing high-resolution continuous daily monitoring of farmland soil water on a large scale. These high spatial–temporal resolution time series are valuable for monitoring crop growth and water resource management, contributing to further expanding the application of satellite remote sensing in precision agriculture.