基于无人机遥感与机器学习的牧草生物量估算：评估管理实践的新工具

牧草生物量时空变异大，传统采样方法难以准确表征。本研究利用无人机(UAV)多光谱数据和随机森林(RF)算法，开发了牧草干物质(DM)估算模型（R2=0.79，RMSE=1068 kg·ha?1），成功量化了施肥（FERT）、补充饲料（SUPP）和放牧管理对无芒雀麦(Bromus inermis)生物量的影响，为精准牧场管理提供了空间化决策工具。

　　

牧场管理中，牧草生物量的精准监测一直是生态学家和农场主的共同难题。传统采样方法如随机或样线法，往往无法捕捉到牧草在空间和时间上的高度变异性——这种变异性既来自施肥、放牧等管理措施，也受降水、温度等环境因素影响。更棘手的是，当牧场面积达数百公顷时，仅凭经验目测评估空间异质性，不仅主观性强，还容易因视野局限导致偏差。如何快速、准确地获取大范围牧草生物量数据，成为优化放牧策略、提升牧场生产力的关键。

针对这一挑战，美国内布拉斯加大学林肯分校（University of Nebraska-Lincoln）的研究团队将目光投向了无人机(UAV)遥感技术。这种具备高空视角和高分辨率的工具，能否为牧草生物量监测带来革新？研究人员以无芒雀麦(Bromus inermis)为主要研究对象，在2021-2022年生长季开展了一项创新性研究，成果发表在《Ecological Modelling》上。

研究团队采用DJI Matrice 300 RTK无人机搭载MicaSense Altum多光谱传感器，采集红、绿、蓝、近红外和红边波段数据，结合累积降水量(PreAcc)和生长度日(GDDAcc)等气象指标，构建了包含7种植被指数(VI)的特征集。通过随机森林(RF)机器学习算法，开发了活体生物量和总生物量估算模型，并利用粒子群优化(PSO)进行超参数调优。研究还设计了对照(CONT)、饲料补充(SUPP)和氮肥处理(FERT)三种管理方式，结合旋转放牧实验，系统评估管理措施对生物量的影响。

模型性能与植被指数相关性

研究发现，归一化差异植被指数(NDVI)与活体生物量的相关性最高(r=0.74)，其次是绿度归一化差异植被指数(GNDVI)和比值植被指数(RVI)。模型测试集表现优异，活体生物量估算R²达0.80（RMSE=780 kg·ha^?1），总生物量R²=0.79（RMSE=1068 kg·ha^?1），相对误差(rRMSE)均约33%。

管理措施的空间化影响

通过无人机生成的生物量地图清晰显示：FERT处理区生物量最高(3053.9 kg·ha^?1)，显著高于SUPP(2806.6 kg·ha^?1)和CONT(2623.5 kg·ha^?1)（p<0.001）。而放牧仅表现出边缘显著性(p=0.052)，旋转放牧序列(早、中、晚期)则无显著影响。这些结果与地面实测数据趋势一致，验证了无人机估算的可靠性。

创新的采样策略

研究提出"先飞行后采样"的新流程：先获取无人机植被指数(VI)地图，再根据百分位数法（如10%、30%直至100%）定位代表性采样点。这种方法能有效覆盖生物量高低值区域，避免传统随机采样可能遗漏的空间变异。例如在某次飞行中，5个按百分位选取的采样点，其估算生物量跨度达1886.9-4763.9 kg·ha^?1，显著提升了样本代表性。

这项研究的意义不仅在于开发了高精度的牧草生物量估算工具，更开创了"无人机引导采样"的新范式。通过将遥感数据前置到采样设计环节，解决了传统方法在空间代表性上的固有缺陷。无人机提供的厘米级分辨率数据，使管理者能够精准识别牧场利用不均的区域，及时调整放牧策略或实施精准施肥。在气候变化加剧、干旱频发的背景下，这种技术为牧场适应性管理提供了关键的数据支撑，对实现草原生态保护和畜牧业可持续发展具有双重价值。正如研究者Biquan Zhao等人强调的，长期高频的无人机监测将极大深化我们对管理措施-生物量-环境因子互作机制的理解，推动牧场管理从经验判断迈向数据驱动的新时代。