使用 Sentinel-2 卫星图像和机器学习算法来预测热带牧场草料质量、粗蛋白和纤维含量

热带牧场草料的生长和质量对于牧业生产和环境管理至关重要。传统的质量评估方法通常需要大量的人力和时间，而且受到许多因素的影响，如气候变化、土壤条件和草料种类。近年来，遥感技术和机器学习算法的发展为评估草料质量提供了新的可能性。然而，对于热带牧场草料的质量评估，特别是草料的蛋白质含量和纤维含量，使用遥感技术的研究仍然有限。

拟解决的科学问题

创新点

研究方法

在这项研究中，对含或不含氮肥的Marandu毛茅牧场的实验区域进行了野外数据集和Sentinel-2卫星图像的评估，并在连续放牧管理下进行管理。数据收集时间为2016年至2020年的牧草生长季节，持续从一月到四月。利用气象数据、光谱反射率和植被指数作为输入特征，开发了基于支持向量回归（SVR）和RF机器学习算法的模型，用于估算热带牧草的FM、CP和NDF含量。

研究结果

利用气象数据、光谱反射率和植被指数（VI）作为输入特征，开发了基于支持向量回归（SVR）和随机森林（RF）机器学习算法的模型。总体而言，SVR略优于RF模型。预测FM的最佳模型是将VI与气象数据相结合。对于CP和纤维含量，最佳预测是使用光谱波段和气象数据的组合实现的，结果为R2为0.66和0.57，RMSPE为0.03和0.04克/克干物质。研究结果有望提高精准饲料技术和有效放牧管理决策支持工具的精度。

使用最佳的随机森林（RF）（a）和支持向量回归（SVR）（b）模型预测与观察值的干牧草总量的散点图，使用最佳RF（c）和SVR（d）模型预测与观察值的干叶牧草量的散点图，以及使用最佳RF（e）和SVR（f）模型预测与观察值的干绿色（叶片+茎）牧草量的散点图

Marandu席草草场干物质（包括（a）干牧草总量，（b）干叶牧草量和（c）干绿色（叶片+茎）牧草量）最佳模型的特征重要性。Tmax，最高温度；Tmin，最低温度；Tavg，平均温度；RH_p，相对湿度；ND，月内降雨天数；Isolat，日照；CCCI，冠层叶绿素吸收比指数；CIgreen，叶绿素指数绿色；CIredge，叶绿素指数红边；EVI，增强型植被指数；GDVI，归一化绿色植被指数；GLI，绿叶指数；LChloI，叶绿素指数；NBR，归一化燃烧比率；NDVI，归一化差异植被指数；NDVI8A，NDVI 8A；OSAVI，优化土壤调整植被指数；SR，简单比率；SRredge，简单比率红边

粗蛋白含量（CP）的预测值与观察值的散点图，使用最佳随机森林（RF）模型（a）和支持向量回归（SVR）模型（b），以及中性洗涤纤维（NDF）的预测值与观察值的散点图，使用最佳RF（c）和SVR（d）模型。DM = 干物质

最佳模型的特征重要性，(a) 大型牧场的粗蛋白质和 (b) 中性洗涤纤维。Tmax，最高温度；Tmin，最低温度；Tavg，平均温度；RH_p，相对湿度；ND，一个月内的雨天数；Isolat，日照；蓝色（B2）；绿色（B3）；红色（B4）；RE1，红边 1（B5）；RE2，红边 2（B6）；RE3，红边 3（B7）；NIR，近红外（B8）；NIR8A，窄近红外（B8A）；SWIR1，短波红外 1（B11）；SWIR2，短波红外 2（B12）

研究区域内田块及其氮肥施用的分布情况，(A) 从2016年到2019年和(B) 2020年的情况。1公顷 = 10,000平方米

讨论

研究发现，使用Sentinel-2卫星图像和机器学习算法可以准确地预测热带牧场草料的蛋白质和纤维含量。随机森林和支持向量机模型在预测草料的蛋白质和纤维含量方面表现出较高的准确性。这些结果表明，遥感技术和机器学习算法可以作为评估草料质量的有效工具，有助于提高牧业生产的效率和可持续性。