低成本无人机评估萨赫勒牧场生态系统草本生物量与营养品质的创新研究

来自国际团队的研究人员针对传统牧场植物生物量与营养品质评估方法（如野外调查与实验室技术）存在推广难、流程繁琐的问题，开展了基于低成本无人机影像的萨赫勒牧场生态系统监测研究。通过随机森林机器学习算法与主成分分析（PCA），实现了对鲜/干生物量（RRMSE 31-37%）及粗蛋白（CP）、中性洗涤纤维（NDF）、酸性洗涤纤维（ADF）和有机物消化率（OMD）等品质参数（RRMSE 8-32%）的高精度预测，为大规模牧场资源动态监测提供了高效技术方案。

　　

在萨赫勒牧场生态系统中，评估草本植物生物量及其营养品质的传统方法主要依赖野外调查（难以跨样地推广）和实验室分析（需冗长预处理）。如今，低成本无人机展现出巨大潜力——它能以极小成本与人力投入，快速获取大范围低空影像。本研究探索了利用这类影像估算牧场生物量（biomass）和品质的可行性。

通过随机森林（random forest）机器学习算法，研究者以野外植被样本为响应变量，无人机衍生的植被指数为解释变量进行模型校准与验证。结果显示：验证数据集中，鲜质量（fresh mass）和干质量（dry mass）的相对均方根误差（RRMSE）分别为31%和37%；营养品质参数中，粗蛋白（crude protein, CP）、中性洗涤纤维（neutral detergent fibre, NDF）、酸性洗涤纤维（acid detergent fibre, ADF）和有机物消化率（organic matter digestibility, OMD）的RRMSE依次为32%、9%、8%和17%，表明模型预测精度较高。

主成分分析（PCA）表明前两个主成分可解释总方差的53.3%。这些结果共同证明：从低成本无人机获取的红-绿-蓝（RGB）影像可用于有效估算牧场生物量与营养品质。