《Rangeland Ecology & Management》：Comparing Field- and Drone-Based Assessments to Measure Forage Production
编辑推荐：
牧场（Pasturelands）是指专门用于通过放牧、刈割或两者兼有的方式生产牲畜饲草的用地。估算牧草产量有助于制定放牧管理决策。无人机数据采集在草地生态系统的大面积高分辨率影像获取中应用日益广泛。本研究旨在将传统双重采样法和无人机双重采样数据所估算的牧草产量
牧场（Pasturelands）是指专门用于通过放牧、刈割或两者兼有的方式生产牲畜饲草的用地。估算牧草产量有助于制定放牧管理决策。无人机数据采集在草地生态系统的大面积高分辨率影像获取中应用日益广泛。本研究旨在将传统双重采样法和无人机双重采样数据所估算的牧草产量与实际总牧草产量进行比较。研究人员于2022年6月12日和6月20日分别对美国德克萨斯州弗里斯特县的两个研究样地进行了飞行作业。在每个样地中，研究人员根据牧草高度分级标准（1–5级，1级代表最低牧草高度，5级代表最高牧草高度），选择并标记了六组各五个样方（0.25 m2）。飞行结束后，对样方内的牧草进行刈割、烘干并称重，以估算牧草质量产量。随后，每个样地的牧草被刈割、晾晒并打捆成圆捆；最终产出的草捆数量用于确定每个样地的总牧草产量。研究人员对无人机影像进行处理，生成了冠层高度模型（canopy height model, CHM）以计算植株高度，并根据田间双重采样分类标准对高度进行分类。计算每个类别的面积，并将其乘以从样方中收集的干重，以预测每个类别的总牧草产量。两个样地的实际产量分别为5 889 kg·ha-1和2 219 kg·ha-1。无人机双重采样估算的牧草质量为5 204 ± 367 kg·ha-1和2 490 ± 152 kg·ha-1；田间双重采样估算结果为5 568 ± 365 kg·ha-1和1 992 ± 124 kg·ha-1。两种方法的估算结果与每个样地的实际产量差异均小于1.5个草捆。因此，无人机数据可作为估算牧草产量的新工具，辅助牧场主进行管理决策。利用无人机进行牧草估测将为以可重复、按需的方式覆盖更大区域提供机遇。
论文解读文章
1. 研究背景与目的
草地生态系统（Rangelands）具有提供牲畜生产、野生动物栖息地等多种功能，而牧草产量（forage production）是决定牧场载畜率（stocking rate）和制定科学管理策略的关键指标。传统的牧草生物量（forage mass）估算方法主要包括直接采样法（direct sampling，即刈割称重）和间接采样法（indirect sampling，如目视估测），其中双重采样法（double-sampling method）结合了二者优点，是目前最常用的田间方法。然而，这些传统方法耗时费力，在大尺度上难以充分反映牧草产量的空间变异性。近年来，无人机（drone）遥感技术凭借其高时空分辨率和灵活的数据获取能力，为草地监测提供了新的可能。尽管已有研究利用无人机搭载的RGB相机、多光谱传感器或激光雷达（LiDAR）等设备估测植被高度、覆盖度乃至牧草质量，但鲜有研究将无人机估算结果与实际全收获（full-harvest）的干草产量进行直接对比验证。为此，本研究旨在比较传统田间双重采样法与基于无人机的双重采样法在估算牧草产量上的准确性，并以实际干草打捆产量作为真值进行校验，检验无人机技术能否成为可靠的牧场管理新工具。
2. 研究方法概述
研究选取美国德克萨斯州弗里斯特县（Freestone County）的两块典型牧场作为样地：一块面积为12.2公顷的施肥牧场（field 1）和一块面积为1.2公顷的未施肥牧场（field 2）。主要关键技术方法包括：1）田间双重采样：在每个样地内选取6组代表性区域，每组设置5个0.25 m2的样方，基于视觉评估将其牧草高度分为1至5级，随后对样方内牧草进行刈割、烘干（46℃至恒重）并称重，同时沿线性样带记录100个目视步点估计值；2）无人机数据采集：采用DJI Phantom IV RTK四旋翼无人机搭载2000万像素RGB相机，在50米高度以双网格航线模式飞行，获取高重叠度影像；3）数据处理：利用运动恢复结构（Structure-from-Motion, SfM）软件Pix4Dmapper处理影像，生成正射镶嵌图（Orthomosaic）、数字表面模型（DSM）和数字地形模型（DTM），并通过DSM减去DTM得到冠层高度模型（Canopy Height Model, CHM）；4）分类与估产：根据田间实测高度分级阈值将CHM像素划分为1–5类，去除木本植被像元后，统计各类别面积并乘以对应样方干重，累加得到总牧草产量，再除以有效面积获得单位面积产量（kg·ha?1）；5）实际产量测定：在无人机飞行和样方刈割后，样地牧草经机械刈割、晾晒并打捆为直径1.8米的圆捆，通过称重和计数计算实际平均产量。统计分析采用Kruskal-Wallis检验比较不同方法间的差异。
3. 研究结果
3.1 田间双重采样与无人机双重采样估算结果
对于field 1（施肥牧场），田间双重采样法的平均估算值为5 568 ± 365 kg·ha?1，随机选取5个样方的估算值为5 178 kg·ha?1；无人机双重采样法的平均估算值为5 204 ± 367 kg·ha?1，随机样方估算值为5 726 kg·ha?1。对于field 2（未施肥牧场），田间双重采样法的平均估算值为2 243 ± 124 kg·ha?1，随机样方估算值为1 992 kg·ha?1；无人机双重采样法的平均估算值为2 490 ± 152 kg·ha?1，随机样方估算值为1 903 kg·ha?1。线性回归结果显示，各重复组的R2值在field 1为0.80–0.99，在field 2为0.86–0.96；将所有数据合并后的总体R2在field 1为0.77（P < 0.05），在field 2为0.84（P < 0.05）。
3.2 与实际干草产量的比较
field 1共产出106个圆捆（650 kg·捆?1），总产量68 900 kg，平均产量5 889 kg·ha?1；field 2产出4.5个圆捆（499 kg·捆?1），总产量2 245 kg，平均产量2 219 kg·ha?1。与打捆实际产量相比，无人机估算值在field 1偏高685 kg·ha?1，在field 2偏低271 kg·ha?1；田间双重采样估算值在field 1偏高321 kg·ha?1，在field 2偏高227 kg·ha?1。两种方法的估算误差均小于1.5个草捆（321–685 kg·ha?1）。整体分类精度方面，无人机CHM分类与地面步点的一致性在field 1为87%，在field 2为95%。
3.3 统计检验结果
Kruskal-Wallis检验表明，在α = 0.05显著性水平下，田间双重采样法与无人机双重采样法的牧草产量估算值之间无统计学显著差异。
4. 讨论与结论
讨论部分总结：研究表明，搭载于无人机的传感器获取的高分辨率数据能够较为准确地估算牧场牧草产量，且与传统田间双重采样法无显著差异。值得注意的是，无人机CHM在施肥牧场（field 1）倾向于高估产量，而在未施肥牧场（field 2）则倾向于低估。研究人员推测，未施肥牧场较低的植被密度可能导致SfM处理过程中产生更多错误匹配，从而引起高度低估，这一现象与Forsmoo等人（2018）在英格兰西南部农田中的发现一致。尽管如此，两种方法与实际产量的偏差均在一个草捆以内，显示出良好的应用潜力。本研究首次将无人机估算结果与牧场实际干草打捆总产量进行直接比对，填补了该领域的研究空白。相较于传统方法仅能采样局部区域，无人机技术能以可重复、按需的方式覆盖更大范围，尤其适用于物种组成复杂、地形多变的大面积天然草地。随着电池续航能力和相机分辨率的提升（如40或62百万像素传感器），未来单次飞行即可覆盖超过120公顷的区域，有望实现运营尺度的牧草估产。
结论翻译：研究结果表明，与传统的双重采样方法相比，无人机能够提供相似的牧草产量估算值。然而，随着技术的进步，无人机可能会以更高效的方式覆盖更大或难以进入的区域，从而提供改进的估算结果。随着技术的发展，牧草估产有望在运营尺度（单次飞行超过100公顷）上实现，并提供更高的像素分辨率，为土地所有者和牧场管理者提供新的信息。未来的工作可侧重于利用无人机数据按需估算牧草产量，同时绘制整个牧场的植被群落组成分布图。
