《Smart Agricultural Technology》：Evaluation of remote sensing methods to estimate forage quality
本综述全面评估了多种遥感方法在草地生态系统中估测牧草质量参数的性能，重点聚焦于氮（N）和粗蛋白（CP）含量。研究比较了不同光谱分辨率类型（即高光谱成像（HSI）、多光谱成像（MSI）和RGB）以及不同建模方法（即经典回归技术与现代机器学习方法）的适用性。HSI数据因其广泛的波谱覆盖范围和高适应性而成为最常用且用途最广泛的数据类型。然而，MSI和RGB数据也能提供同样准确的估测结果。RGB影像通常用于推导冠层高度和生物量等结构变量，但本综述未纳入仅关注这些数量相关参数的研究。在建模方面，随机森林（RF）是占主导地位的机器学习方法，而偏最小二乘回归（PLSR）则在基于回归的方法中占主导地位。总体而言，机器学习和回归模型在N估测中的平均表现（R2：0.77；R2：0.72）略优于CP估测（机器学习：R2：0.69；回归：R2：0.64）。两种建模方法之间的差异并不显著（Wilcoxon秩和检验），这进一步强调了情境特异性方法选择的重要性，其受数据集特征、环境条件和建模配置的影响。
本综述还揭示了跨研究可比性方面的主要挑战，包括异质性的研究设计、不一致的测量单位、变化的样本量以及不同的验证程序。这些发现凸显了制定基于遥感的牧草质量评估标准化协议的迫切需求。通过本综述，研究人员识别出了若干应成为此类协议基础的关键方法学特征，整合了智慧农业和计算建模方面的见解。从智慧农业的角度来看，透明报告传感器参数以及清晰记录建模工作流程、验证策略和测量单位对于确保可重复性并实现跨研究的有意义比较至关重要。因此，将描述详尽的传感器硬件特性与计算建模方法相结合，对于实际应用至关重要，其中预算约束、数据集规模和当地环境条件最终指导工具选择。综合这些方面可为推进遥感在草地牧草质量评估中的应用提供稳健且广泛适用的基础。
引言
草地占农业用地的70%，在全球范围内作为放牧动物的饲料来源发挥着重要作用，对肉类和牛奶生产具有重要意义。这些生态系统为多种植物和动物提供栖息地。除农业重要性外，草地还对环境多样性和生态系统服务做出重大贡献，包括水分调节、碳固持以及防风和水蚀的土壤保护功能。它们在水文循环中也发挥着关键作用，作为水库运作并支持地表径流。然而，许多草地生态系统正日益受到退化和过度利用的威胁。粮农组织（FAO）估计全球约16%的牧场处于退化状态。因此，全面理解与草地相关的进程对于认识其作用和支持其提供的生态系统服务至关重要。在管理草地系统中，这种知识越来越需要具备空间显式性和时间分辨性，以支持农场尺度的知情决策，如适应性放牧、施肥策略和牧草分配。
牧草质量和数量是生产性草地系统的关键决定因素，直接影响牲畜表现、生态系统韧性和牧业生计的长期可持续性。高质量、充足的牧草确保高效的营养转移，支持可持续土地利用，并增强草地生态系统的整体功能。确定管理草地牧草质量的首要关注点是通过畜牧业优化养分利用。由于饲料和饲草占牛奶生产成本的65%，精确掌握牧草质量是必要的，且尽可能在植物生长期间进行优化。各种牧草质量指标适用于评估这些生长过程的环境条件和功能表现，以及其满足人类需求的能力，如生产优质青饲料。关键牧草质量指标包括：养分水平的粗蛋白（CP）或氮（N），结构水平的中性洗涤纤维（NDF）或木质素含量，以及能量含量水平的可代谢能值。虽然CP和N密切相关，但它们在分析推导和功能解释上存在差异：N代表植物组织的直接生化成分，而CP通常使用固定转换因子从N含量计算得出。因此，它们的光谱敏感性和模型性能可能因传感器特性和建模方法而异，这一方面在文献中很少被明确讨论。传统的牧草质量指标测量方法具有破坏性、劳动密集型和耗时长的特点。这些方法通常仅在单一时间点和位置评估条件，对异质区域的时间变化或空间变异性洞察有限。因此，能够实现快速且无损测定这些指标的方法对于监测和模拟小尺度管理措施的影响至关重要。
近年来，遥感已成为克服传统方法局限性的有前景的途径。本研究中，研究人员将"遥感"定义为所有通过扩展传感器技术记录光谱数据并可用于开阔地形的技术和方法。根据传感器平台（定义为安装遥感传感器的设备，如飞机、卫星或无人机（UAV）），遥感提供定期更新的信息，实现及时分析。根据应用领域以及其他情况（如专业知识或资金限制），所有这些传感器平台各有其优缺点。例如，卫星图像大多可免费用于研究目的，但获取时间受卫星重访周期限制且无法自由控制，特别是对于历史影像而言。可见光和近红外范围的光学影像可能受云层覆盖影响，而雷达系统则基本不受大气条件限制。UAV在时间上更加灵活，但需要财务投资以及因国家而异的不同许可。此外，非常大的景观不易使用UAV进行测量。野外光谱仪的数据采集限于较小区域，因为这些仪器必须手动运输；然而它们允许高精度测量。尽管获取成本并非总是有利，但长期来看-text]长期而言往往可以抵消，且使用卫星或UAV技术相比人工野外调查可降低开支。总体而言，最适合的传感器平台选择始终取决于具体的预期用途。跨研究来看，这一选择反映了空间覆盖、时间灵活性、光谱分辨率和操作可行性之间的权衡，直接影响牧草质量模型的可实现精度和可转移性。理解这些权衡对于解释不同平台间报告模型性能的差异至关重要。
在遥感中，光谱信息指传感器收集的数据，这些传感器测量物体在不同波长处（可见光范围约400–700 nm）反射或发射光的方式，可分为RGB（红/绿/蓝）、MSI（多光谱成像）、HSI（高光谱成像），以及热成像或X射线图像，后者在草地和农业应用中较少见。RGB仅由三个简单波段组成：红色（约620–750 nm）、绿色（约495–570 nm）和蓝色（约450–495 nm），每个波段具有较宽的光谱宽度。相比之下，MSI通常有4到17个波段，每个波段描绘相对较宽的光谱范围，由于波段数量更多，共同覆盖更广泛的波长光谱。除RGB外，典型波段还包括近红外（NIR，约750–900 nm）和红边（约680–750 nm）。这些附加波段在草地监测中尤为重要，因为NIR和红边对叶绿素含量和植物健康敏感，而这些与牧草质量指标如CP和消化率密切相关。HSI传感器在非常窄的光谱波段中采集数据，通常仅几纳米宽，但包含更多数量的连续波段。据Reese所述，它们至少包括50个但有时多达数千个波段。这种高光谱分辨率能够检测植被中细微的生化差异，如纤维含量（如NDF）、水分水平或N含量的变化，这些都是牧草质量的关键指标。特别是，高光谱数据解析窄吸收特征的能力支持光谱响应与植物生物化学之间更具机理性的联系，为区分N驱动信号与CP等结构性驱动代理提供了潜在优势。尽管这些图像需要更多内存和计算资源，但它们携带更高的信息密度。HSI可以转换为MSI以模拟特定卫星传感器的数据。如果遥感图像数据集可以自动分析，数据处理工作流程将变得更加高效，因为无需人工干预即可检测和可视化模式和变化。这种自动检测在草地生态系统中可能特别有价值，因为由放牧、施肥或物候变化引起的牧草质量时间变化持续监测对于可持续土地管理至关重要。
处理多光谱波段信息的最常用方法之一是使用植被指数（VIs）。这些指数是至少两个不同光谱波段反射率值的数学组合，在遥感中广泛应用。其中，归一化差异植被指数（NDVI）是使用最广泛的指数之一。VIs已被整合到数据驱动的建模中，用于评估各种植物特性，包括水分胁迫、病害存在和牧草质量。然而，不同的植被指数强调不同的光谱区域和生理过程，这在估测CP与N时可能导致系统性不同的性能。主要由叶绿素相关波段驱动的指数通常与N显示出更强的关联，而整合更广泛反射率对比的指数可能通过生物量或结构效应作为CP的间接代理。数据驱动的建模是从遥感影像推导牧草质量指标的基本步骤。模型（通常基于数学或统计方法）对于量化、解释和预测系统状态（如牧草质量指标）至关重要。统计模型一般可分为两类：回归模型和机器学习方法。虽然回归模型基于明确定义的数学假设，如变量之间的线性关系和同方差性，但机器学习方法由数据驱动，对输入数据结构的前提假设较少。机器学习模型通常通过迭代优化以捕捉非线性和复杂关系。总体而言，机器学习方法在建模光谱数据与目标变量之间的非线性和复杂关系方面提供更大的灵活性，而基于回归的方法则依赖于对底层数据结构的预定义假设。这些概念差异促进了对牧草质量指标如N和CP估测建模策略的比较评估。基于这种区分，在本综述中，随机森林回归（RF）被归为机器学习，偏最小二乘回归（PLSR）被归为回归模型，PLSR（有时在原始研究中报告为PLS）作为应用于连续响应变量的所有基于偏最小二乘的回归方法的统称。
虽然许多方法已被开发用于使用遥感估测林分高度和生物量，但牧草质量指标的评估受到较少关注。对初始文献检索的文献计量网络分析揭示了五个不同的聚类：（i）植被指数和遥感的方法学基础，（ii）以生物量估测为重点的基于模型的方法，（iii）如N状态或叶绿素浓度等生理和生化替代指标，（iv）光谱信号处理技术，（v）作物质量和管理应用研究。需要注意的是，文献计量分析是在应用质量特异性筛选之前对初始文献语料库进行的，这解释了生物量相关聚类的pts存在。牧草质量在该网络中仅边缘出现。虽然方法和技术基础（从测量规程到特征工程和建模框架）已相当成熟，但尚未被系统整合以一致估测N和CP等牧草质量指标。这凸显了文献中的结构性失衡：稳健的分析工具被广泛应用，但主要限于生物量估测的背景，而明确聚焦于牧草质量指标的研究相对较少。因此，本综述的目的不是提供研究的纯粹描述性清单，而是综合现有证据以识别不同光谱分辨率类型、传感器性能和牧草质量估测建模策略的敏感性一致模式，特别关注N和CP。为解决这个问题，本综述旨在概述基于遥感的32项牧草质量指标研究的现状。更具体而言，研究人员旨在回答以下问题：哪些牧草质量指标最常被作为遥感牧草质量估测的目标？哪些传感器和光谱分辨率类型在草地N和CP含量估测中表现最佳？哪种建模方法在N和CP含量的准确估测中表现最佳？
材料与方法
本综述的方法基于PRISMA（系统综述和荟萃分析首选报告项目）方案。应用PRISMA框架以确保文献选择过程的透明性和可重复性，同时允许对传感技术、光谱信息和建模方法进行结构化比较。在识别步骤中，通过Web of Science的高级搜索查找论文。关键词分为四组：传感器平台、景观类型、调查指标和使用的光谱分辨率类型。每组内关键词使用布尔运算符"OR"组合，而各组之间使用"AND"链接。出版物必须为英文，发表于2008年1月1日至2023年12月31日之间，且不被归类为综述、书籍章节、报告或学位论文。
在筛选步骤中，仅纳入满足以下条件的研究：（1）完全依赖遥感衍生输入，（2）聚焦于草地生态系统，（3）明确阐述从光谱信息估测牧草质量指标。这确保了跨研究比较传感配置和建模策略的一致分析基础。根据PRISMA方案，第一次筛选涉及审阅摘要并识别潜在合适的研究，第二次筛选聚焦于完整论文。第一次筛选采用宽松排序，如有疑问，研究仍保留进行全文筛选。
第一次搜索步骤产生了310项潜在相关研究。去除18篇非英文或索引错误的论文后，筛选前剩余292篇。根据对研究领域进行客观定位的建议，这292项研究在PRISMA筛选的下一阶段之前首先进行了文献计量分析。文献计量分析作为简洁的定量概述，聚焦于两个关键维度：（i）绩效分析以通过发表和引用趋势追踪生产力和影响力，以及（ii）基于Web of Science Keyword Plus术语的科学映射以揭示该领域的主要聚类和结构空白。分析和可视化使用bibliometrix R包的biblioshiny应用程序生成。使用Keyword Plus以缓解作者提供关键词的术语不一致性。这一选择还受到13.1%的记录缺乏作者关键词的观察结果的支持。先前工作支持将Keyword Plus作为有效的（尽管粒度较低）替代方案用于界定领域的知识结构。文献计量分析的目的不是取代定性综述，而是通过识别主导研究方向和代表性不足的主题领域来支持它，从而为后续的深入筛选和综合提供信息。文献计量分析之后，292篇潜在合适的论文进行了进一步筛选。第一次筛选后，86项研究保留在候选名单中，其中26篇在全文分析后因不符合预定义的纳入标准而被排除。总共60项研究（占原始292项记录的20%）满足所有纳入标准并纳入本综述。
在符合条件的研究数量减少至60项后，本综述聚焦于将N和CP报告为牧草质量参数的研究。这一关注点允许更详细地检验生化定义和推导的差异如何反映在传感策略和建模方法中。选取的50篇论文根据执行N或CP估测进行分类。
为进行结构化的方法学比较，关注N和CP的研究进一步根据其建模方法进行分类，区分经典回归方法（如简单和多元线性回归（SLR和MLR））和机器学习方法（如Cubist回归模型、支持向量回归（SVR）或RF）。这一分类反映了模型假设和灵活性的根本差异，而非基于预测性能的排名。此外，系统评估了光谱输入数据对模型性能的影响。所有缩写，特别是涉及广泛方法的缩写，列于附录表S1中。
模型准确性随后使用各种性能指标确定，例如R2或均方根误差（RMSE）。尽管在样本量、验证策略、环境条件、目标变量分布或报告标准存在差异的情况下，预测准确性指标并非总是直接可比，但R2和RMSE仅用作描述性参考指标以支持定性比较而非正式的定量排名或荟萃分析性能评估。两组之间显著差异的评估使用Wilcoxon秩和检验。尽可能优先选择独立验证的预测结果而非基于交叉验证的metric。当样本量小时主要使用交叉验证，但这往往产生与使用独立测试数据集时截然不同的估测结果。然而，并非所有研究都提供充分详细的统计结果描述。也不可能将按重量/面积的CP转换为百分比，反之亦然。由于检查的绝大多数研究使用浓度，基于百分比的值也被采纳为本综述的标准。此外，大多数研究未指定归一化RMSE（nRMSE），因此尽管不同变量范围和采样条件下的绝对RMSE值可比性有限，RMSE仍被用作本综述的标准。随后，将更详细地分析一些研究作为示例。这些限制强调了报告精度值在方法选择背景下而非作为模型优越性绝对指标进行解释。
结果
3.1 文献计量分析
该领域的年度科学生产力在过去二十年中急剧增长。可以观察到两个明显的增长阶段：2009/2010年至2013年的初始上升，以及从2018年开始的更为显著的增长。自2005年以来（5篇出版物），年产量几乎翻了一番，2023年达到37篇出版物。这一趋势反映了对遥感及农业应用计算方法日益增长的科学兴趣。尽管产出激增，每篇文章的平均引用数仍稳定在3到6之间，表明影响虽持续但未逐年攀升。
图2b显示了在感兴趣期间至少有十篇贡献的期刊的累积生产力。自2018年以来，《Remote Sensing》的显著增长明显，在该时期结束时其发表量几乎是排名第二的《Remote Sensing of Environment》（59比22）的三倍。
共被引分析突出了新贡献所基于的知识基础。在50篇 influential 论文中（每篇至少被引用5次），三个不同的聚类。聚类一（红色）聚焦于用于表征植物性状和养分状态的光谱植被指数和机器学习方法，代表该领域更应用导向的一面。聚类二（蓝色）强调用于估测生化和生物物理属性的高光谱建模和多元方法，反映更方法导向和模型导向的视角。聚类三（绿色）涉及作物和牧场光谱分辨率类型表征及高光谱数据的养分含量，捕捉广泛的跨作物应用。这些聚类共同表明，该领域由三个互补领域驱动：应用、方法学和跨作物视角，以强烈的引用交换为特征，特别是在跨作物聚类与其他两个聚类之间。
关键词共现分析进一步揭示了五个主题聚类，共同说明了草地监测中碎片化但高度互补的研究图景。第一个聚类（蓝色）聚焦于植被指数和基于反射率的方法，突出了遥感的方法学基础。第二个聚类（橙色）强调生物量估测和建模框架，机器学习和回归方法占主导地位。牧草质量出现在该聚类中，但仅处于边缘位置，表明与质量相关的指标仍是次要结果。第三个聚类（绿色）捕捉生理和生化替代指标，如叶绿素含量、N状态和叶面积指数，这些与营养质量密切相关但尚未扩展到操作性监测。一个较小的聚类（红色）聚焦于光谱预处理，包括波段深度分析和连续统去除，强调了信号处理的重要性。最后，一个桥梁聚类（紫色）连接农业管理、预测和质量评估，将方法学进展与草地系统中的决策制定联系起来。
这些分析共同提供了该领域发展的连贯图景。生产力和期刊模式显示了快速扩张但多样化的社区，而共被引网络揭示了三个知识支柱：应用植被指数、高光谱建模和跨作物表征。关键词映射通过展示五个方法学上已成熟的主题领域扩展了这一点，但尚未将牧草质量作为核心概念整合。牧草质量在引用和关键词网络中的边缘位置指向一个结构性空白：尽管传感、信号处理和建模方面的方法已相当成熟，但它们在N和CP等牧草质量指标上系统性和比较性的应用仍然有限，与生物量估测相比。
3.2 通过遥感频繁估测的牧草质量指标
聚焦于通过PRISMA筛选过程选取的60篇论文的子集，揭示2020年至2023年间发表的论文数量超过前16年的总和。中位发表年份为2020年。每年发表论文数量变化很大，从1到12篇不等。2015年达到峰值（5篇），随后两年发表数量下降至1-2篇，之后再次增长，2022年达到12篇。即使数量呈波浪式增长而非线性增长，发表率多年来仍有所增加。
研究区域几乎覆盖所有大洲，但仍有广大区域在草地牧草质量遥感分析方面缺乏研究。特别是非洲和东南亚的热带和亚热带纬度，以及西亚和东欧地区，研究显示明显不足。总体而言，大多数论文发表关于南非（9篇）和中国（9篇）的草地研究，其次是德国（8篇）、新西兰（5篇）和澳大利亚（5篇）。当比较2020年前后（中位年份）发表的论文时，仅观察到少数异常。最大降幅出现在新西兰（从5篇降至0篇）和南非（从7篇降至2篇），而德国（从2篇增至6篇）和澳大利亚（从1篇增至4篇）增幅最大。研究区域包括天然草地、半天然草地，以及播种草地和试验草地。试验地被分类为草原、山地草甸、干旱和温带草地。管理强度从未管理到广泛和集约管理系统，有或无放牧。
各研究的方法，包括使用的传感器、平台和指标，揭示了对特定遥感平台的明确关注：73%的研究使用野外光谱仪（41%）或UAV（32%）。只有少数研究依赖卫星或其他平台，如飞机或直升机。HSI数据最常被用于确定牧草质量指标（55%）。MSI排名第二（27%），紧随其后的是RGB（18%）。所有使用的野外光谱仪均提供高光谱数据。
图6显示了所有研究中检查的指标数量。检测到对N（32篇论文）、CP（20篇论文）、酸性洗涤纤维（ADF，12篇论文）和NDF（13篇论文）的高度关注。在"其他"中，列出了所有仅有2篇或更少出版物的指标。已发表文献中的指标分布强调了CP和N作为应用牧草质量研究中目标变量的重要性。
3.3 氮含量的估测
从综述文献来看，32项研究探讨了草地N含量的估测。一个异常值是Mancin等人的研究，该研究将N水平分为三个类别性缺素等级而非估测连续N值。由于可比性有限，该研究被排除在进一步的定量分析之外。然而，其使用标准智能手机作为传感器平台的新颖性值得注意，其结果颇具前景（R2：0.83；未报告RMSE）。发表年份的均值为2020年，发表研究数量最多的年份为2022年（9篇），其次是2015年（4篇）以及2019年和2023年（各3篇）。地理上，大多数研究在南非（n：7）进行，其次是德国（n：5）。值得注意的是，南非的七项研究中有六项在2020年之前发表，而大多数德国贡献出现在2020年之后（仅一项之前，2020年及以后四项）。中国、美国、芬兰和新西兰各有三项研究。
3.3.1 氮含量估测中最常用的光谱分辨率类型
机器学习方法显示RGB（23%）、MSI（32%）和HSI（45%）的使用相对均衡。就传感器平台而言，UAV数据使用最频繁（45%），其次是野外光谱仪（30%）、卫星影像（20%）和基于飞机的数据（5%）。基于回归的方法则更多地由野外光谱仪数据驱动（48%），其次是UAV平台（28%）、飞机（12%）、卫星数据（8%）和其他来源（4%）。它们还显示HSI传感器（64%）的明显主导地位，其次是MSI（21%）和RGB（14%）。光谱数据组合在各研究中很常见，包括RGB–HSI、RGB–MSI、HSI–MSI以及HSI–LiDAR。然而，跨根本不同采集平台的多传感器集成很少。仅有一项研究结合了卫星和野外光谱仪数据。RGB和MSI各两次与HSI组合，而HSI在三个研究中转换为MSI。一项研究结合了MSI和微波影像（MWI），另一项将MSI转换为RGB进行比较分析。总体而言，RGB数据主要服务于空间参考目的而非直接进行氮估测。仅四项研究直接使用RGB进行N估测，且在一个案例中RGB特异结果未单独报告。
为识别哪些光谱分辨率类型特别适合估测N含量，在可能的情况下，将综述研究的建模结果分配至其 respective 光谱来源。四项研究允许不同光谱分辨率类型之间的直接比较。建模质量概述（就R2和RMSE [%]而言）见图8。
虽然N估测有基于RGB影像的结果，但应谨慎解释。从统计学角度来看，从仅两个RMSE观测值（例如RGB）推导均值并不稳健，因此可靠性有限。然而，这些值可为比较目的提供大致参考。
MSI、HSI和RGB的R2均值分别为0.77（n：12）、0.75（n：18）和0.62（n：4）。相应的RMSE [%]均值分别为MSI 0.22（n：9）、HSI 0.27（n：12）和RGB 0.42（n：2）。根据Wilcoxon秩和检验，这些差异均无统计学意义（p ≥ 0.05）。然而，HSI显示出明显更大的R2值范围（0.64）相比MSI（0.45），表明变异性更高。HSI的最低R2值为0.29，而MSI的最低R2值为0.47。但两种光谱分辨率类型的最高R2值相当，HSI达到0.93，MSI达到0.92。Pang等人报告了将气象数据纳入时R2的轻微改善（+0.01），但该值被排除在本分析之外，因为它并非完全来自遥感。
尽管HSI和MSI之间的R2均值差异很小（约2.5%），RMSE [%]的差异更为明显：HSI导致比MSI高18.5%的均值RMSE。具体而言，MSI实现的最低RMSE [%]为0.04%，HSI为0.06%。被视为异常值的最高RMSE [%]值为MSI 0.45%和HSI 0.52%。对于基于RGB的模型，Oliveira等人报告了R2为0.82和RMSE为0.27%，而另一Oliveira等人研究达到了R2为0.53和nRMSE为17.22%。Lussem等人报告了R2为0.47和RMSE为0.57%。
鉴于光谱类型之间的建模性能无统计学显著差异，在同一测试区域内报告多种光谱分辨率类型结果的研究特别具有信息价值。尽管这种直接比较很少见——通常每种光谱分辨率类型组合仅有一项研究——但Oliveira等人（RGB和HSI）、Lussem等人（RGB和MSI）、Pereira等人（RGB和MSI）以及Loozen等人（MSI和HSI）的研究提供了宝贵见解。在Oliveira等人中，基于HSI的建模在决定系数方面优于RGB（R2：0.88对0.53）。然而，基于RGB的模型实现了略低的nRMSE（nRMSE：17.22%对19.71%），表明尽管解释力较低，但绝对误差方面估测略更准确。相比之下，Lussem等人发现MSI在两项质量指标上明显优于RGB：R2从0.47（RGB）增加到0.81（MSI），而RMSE [%]从0.57降至0.33。
Pereira等人也比较了RGB和MSI，但报告了难以置信的过高RMSE [%]值（RGB为29.54，MSI为19.89），这削弱了其可解释性。然而，R2值（RGB为0.65，MSI为0.84）支持了Lussem等人观察到的趋势，表明MSI优于RGB。在Loozen等人中，MSI波段衍生自高光谱野外光谱仪数据，基于MSI和HSI的建模结果几乎相同。R2值仅略有差异（MSI为0.66，HSI为0.69），RMSE [%]也如此（0.21对0.20），表明通过光谱转换的信息损失极小。这些比较表明，对于N来看，基于MSI的方法通常比RGB提供更一致的结果，而基于HSI的模型跨越更宽的性能范围。然而，没有光谱类型在各研究中始终优于其他类型，且观察到的差异通常小于每个类别内的变异性。
3.3.2 氮含量准确估测的建模方法性能
总共17项研究应用了机器学习，21项使用了回归方法，两项将两者顺序结合。六项研究直接比较了机器学习和回归，并同时列入两个类别。另外两项研究使用混合工作流程：Chabalala等人通过多元分析选择预测因子并应用RF。Amitrano等人将PLSR与非监督主动学习相结合。Schucknecht等人测试了两种方法但因性能低（R2 ≤ 0.1）排除了回归，因此仅列入机器学习。与CP估测相比，这里的建模方法分布更为均匀。
为识别建模结果的稳健性差异，注意仅使用研究中可明确分配至其 respective 光谱来源的结果。这也意味着对于本分析，例如，转换为MSI的HSI数据被评估为"MSI"而非"HSI"。所有RGB数据被排除分析，因为它仅用于创建概览图或参考点，而非用于CP含量估测。
机器学习和回归模型的平均R2值相似（0.77对0.72），RMSE值也相似（0.29%对0.25%）。由于数据缺失、未报告相关性或明显异常值，仅14和19项研究被纳入R2均值，12和14项研究被纳入RMSE均值（分别针对机器学习和回归）。应用的机器学习方法包括RF、SMLR、SVR、KPLS、NNA、GBM、CNN、XGBoost和SVM。RF使用最频繁（11），其次是SVM/SVR（4）和深度学习方法（DNN、CNN；两项研究）。回归建模由PLSR主导（12项研究），其他方法包括SLR（3），以及线性、二次、指数、幂回归、MLR和MAXR（最大R2改进）。最佳总体R2由Pang等人使用PLSR报告（R2：0.93，RMSE：0.3 g/m2），其次是Ramoelo等人使用RF（R2：0.90，RMSE：0.04%）[注：原文此处有duplicated reference编号，应为Ramoelo et al. [53]]。
在18项机器学习研究中，最准确的估测列于表1中。值得注意的是，Nishikawa等人的RMSE显著高于其他高性能研究，而Ramoelo等人实现了迄今最低的RMSE。研究检测的草地类型以及使用的样本量差异很大。实际N含量也跨越广泛范围：从均值0.65%（范围：3.08%）、0.7%（范围：0.72%），到最高3.01%（范围：3.22%）。RF是这些顶级研究中最常用的方法。仅Oliveira等人使用CNN，Ramoelo等人应用带有WaterRemove预处理的SMLR作为替代方法。Oliveira等人还因直接使用RGB图像作为输入而突出，不像Lussem等人使用RGB影像推导草层高度等植物指标然后将其作为模型变量纳入。此外，Lussem等人使用了MSI数据进行建模。两项研究使用HSI影像，而Ramoelo等人将HSI重采样为MSI。Zhang等人结合MSI和MWI数据以获得最佳结果。
在回归模型领域，多项研究因其高估测精度而突出。然而，这些研究之间的RMSE值直接比较困难。例如，17.14 kg/ha转换为约1.71 g/m2，但不易以百分比表示。此外，nRMSE和RMSE值不能直接比较。尽管如此，Pang[51]和Zhao[54]报告了最低的RMSE值，表明最高精度。除Ling[65]应用一般回归模型外，所有研究均使用PLSR进行最准确的N估测，尽管研究设计差异很大。植被类型从沙漠草原和草原到广泛管理、每年刈割两次且施肥最少的物种丰富草地，以及可控温室地块。与机器学习研究相比，此处样本量较小。N含量从0.65%（范围：3.08）变化到22.05%（范围：25.2）。Zhao[54]未报告N含量，Ling[65]以g/m2提供（1.39–1.56 g/m2）。值得注意的是，所有六项研究专门使用HSI进行N估测。尽管CP可通过将N含量乘以常数因子推导，Oberrneier[22]在估测N时实现了比CP显著更好的准确性。尽管回归方法存在变化，但在最准确结果中几乎专门使用PLSR和HSI这一事实引人注目，强调了它们的有效性。然而，仅这两个因素并不能保证高精度。Loozen[60]和Pau[49]报告的最不准确结果（R2：0.49，RMSE：0.52%；R2：0.29，RMSE：0.34%）也依赖于PLSR和HSI。
Chabalala[52]和Amitrano[61]是唯一直接比较机器学习与回归模型的两项研究。在Chabalala[52]中，首先通过多元分析识别最重要的预测因子，然后用于RF建模。该方法产生了非常强的 result（R2：0.92，RMSE：0.11%）。因此，这种顺序方法——首先基于回归选择，然后机器学习——比Zhao[23]用于CP估测的反向策略更有效，后者首先应用RF然后执行回归。为透明起见，应指出Chabalala[52]中的RMSE报告不一致，一处为"105%"，另一处为"0.105%"。基于逻辑解释，假设后者值（0.105%）正确。该研究仅使用MSI卫星影像，样本量相对较小，为44。平均N含量为0.36%，报告范围为0.76%。
总体而言，机器学习研究在方法和光谱分辨率类型方面表现出更大的多样性。虽然RF显然是应用最广泛的方法，但在六种最准确的机器学习结果中，有两种不依赖RF。因此，跨综述研究使用不同算法和光谱数据类型实现了高模型性能。相比之下，基于回归的研究对HSI和PLSR有强烈关注，在高精度和中等精度估测中均持续使用。然而，关于其他影响因素（如草地类型、样本量或N含量）未出现一致模式。
3.4 粗蛋白含量的估测
在20项关于CP的研究中，大多数在澳大利亚（n：5）和德国（n：4）进行。2020年前后的时间差异较小（≤1），除澳大利亚外，其研究数量从1篇增加到4篇。最早的研究发表于2010年，仅5篇在2019年之前发表。发表高峰在2020年（n：7），其次是2019年（n：3）。有些研究结合了不同遥感类型：一项使用了卫星和野外光谱仪数据，另一项结合了UAV、野外光谱仪和卫星影像。总体而言，时间和地理分布表明CP估测已在多种草地背景中进行了研究，但证据基础相对较小且碎片化，这限制了个别研究结果的直接可转移性。
3.4.1 粗蛋白估测中最常用的光谱分辨率类型
20项研究中有7项使用机器学习来确定CP含量。其中，60%使用HSI，30%使用MSI，10%使用合成孔径雷达（SAR）。RGB影像未在任何研究中使用。两个案例中光谱分辨率类型被结合：Raab[24]使用SAR和MSI，Thomson[67]使用HSI和MSI进行CP估测。Zhao[23]将HSI数据重采样为MSI分辨率。一项研究[67]在同一草地面积上使用了不同传感器平台和HSI与MSI，但分别用于ML和回归，未在算法内部将它们结合。野外光谱仪在50%的研究中使用，包括一项还纳入卫星数据的研究。其余研究使用卫星（25%）以及基于飞机和UAV的平台（各12.5%）。
CP估测的回归模型中使用的传感器平台分布与机器学习方法中应用的不同。野外光谱仪的份额（44%）保持相似，而UAV使用量增加三倍（39%），卫星数据减少一半以上（11%）。一项研究使用了"高光谱扫描相机"，没有研究利用飞机。一项结合了UAV、卫星和野外光谱仪数据，另一项使用了卫星和野外光谱仪。其余研究依赖单一平台。
HSI仍然是最常用的数据类型（58%），但与机器学习不同，RGB也被使用（16%）。MSI的比例相当（26%）。15项研究中有两项结合了RGB和MSI，一项结合了RGB和HSI，另一项MSI和HSI。
为识别结果的稳健性差异，注意仅使用研究中可明确分配至某一光谱分辨率类型的结果。这也意味着对于本分析，例如，从HSI转换为MSI的数据被评估为"MSI"而非"HSI"。所有RGB数据被排除分析，因为它仅用于创建概览图或参考点，而非用于CP含量估测。
用于CP估测的HSI光谱分辨率类型使用比例（68%）远高于MSI（32%）。在总样本量（n：22）中，MSI仅在7项研究中应用，其中一项显示无一致性因此从进一步比较中排除，降低了结果的统计稳健性。RMSE [%]比较的样本量更小，因为一些研究要么完全未报告RMSE值，要么以g/m2等面积相关单位表达。结果，RMSE [%]样本包含4项基于MSI和12项基于HSI的研究。对于R2，样本量略大，MSI为6项，HSI为15项。根据Wilcoxon检验，HSI和MSI数据集之间的R2或RMSE [%]无统计学显著差异（p ≥ 0.05）。这一结果表明更高的光谱分辨率并不自动转化为更优的CP估测精度。跨研究来看，HSI和MSI均达到了可比的性能范围，而每个光谱分辨率类型类别内的变异性往往超过类别之间的平均差异。平均R2值MSI为0.66，HSI为0.69，HSI显示更宽的范围（0.43–0.86）比MSI（0.56–0.86）。类似地，RMSE均值MSI为1.56%，HSI为2.09%，而HSI的变异性更高（0.17–3.45 RMSE %，一个异常值11.7%）比MSI（0.82–2.17 RMSE %）。值得注意的是，最高和最低R2值以及最低和最高RMSE值均在基于HSI的研究中报告。
两项研究应用HSI和MSI进行CP估测。Thomson[67]内的直接比较因每种光谱分辨率类型使用不同方法而复杂化：HSI数据使用RF分析，而MSI数据在使用植被指数计算后使用PLSR模型处理。此处MSI略优于HSI，R2为0.47对0.42，RMSE为2.17%对2.25%。相反的模式在Askari[68]中观察到，相同方法（MLR和PLSR）应用于两种光谱分辨率类型。在这种情况下，HSI产生更好的结果，比MSI显示更高的R2（0.82对0.77）和更低的RMSE（10对13.3 kg/ha）。这些研究内比较特别有价值，因为它们最小化了与地点、管理和采样设计相关的混杂效应。它们一致表明，HSI和MSI之间观察到的性能差异不能跨研究泛化，而是强烈取决于光谱数据如何处理和建模。
总体而言，HSI比MSI更频繁地用于CP估测，且主要应用于实验研究设置。然而，跨综述研究，更高的光谱分辨率并未始终导致改善的精度。MSI在几个案例中实现了可比的CP估测性能，且基于MSI的CP估测偶尔在同一数据集内优于基于HSI的方法。总体上最准确的结果通过HSI获得，但最佳MSI结果达到了可比的RMSE [%]值，Michez[74]的R2高达0.82。
3.4.2 粗蛋白准确估测的建模方法性能
15项研究使用经典回归方法报告结果，7项应用了机器学习技术。5项研究中两种方法均被采用，其中3项直接比较了它们的性能。这些对于方法学评估特别有价值，因为它们调查相同的草地地点。
机器学习方法（RF、SVR、Cubist、GPR、CBR）通常表现出略优的性能（R2均值：0.69，n：7；RMSE均值：2.17%，n：6），相比于经典回归方法（PLSR、PPLSR、SLR、MLR）（R2均值：0.64，n：14；RMSE均值：2.58%，n：11），尽管根据Wilcoxon秩和检验差异无统计学意义。这种没有统计学显著差异表明报告的性能优势是情境依赖的，在未考虑数据特征、光谱输入和验证策略的情况下无法泛化。因此，建模方法之间的报告CP估测精度差异应被解释为研究特异性结果，而非某类模型总体优越性的证据。根据R2的最高性能机器学习CP估测结果示于表2。Thomson[67]和Fernandez-Habas[73]直接比较了RF和PLSR。在两种情况下，PLSR产生了更好的结果（Thomson[67]：R2：0.47，RMSE：2.17%；Fernandez-Habas[73]：R2：0.84，RMSE：2.17%）比RF（Thomson[67]：R2：0.42，RMSE：2.25%；Fernandez-Habas[73]：R2：0.71，RMSE：2.89%）。值得注意的是，Fernandez-Habas[73]对两种模型使用相同的数据（野外光谱仪HSI），而Thomson[67]的PLSR衍生自基于MSI的VIs，RF来自HSI数据。
尽管机器学习模型通常优于经典回归方法，后者在直接的研究内比较中显示出优越性能。Hart[75]报告其结合的"GrassQ"模型（带MLR的PLSR）精度最低，r为0.26。由于其结果无统计学意义，被排除在总体统计分析之外，但仍包含在方法学比较中。
鉴于RF在综述研究中的频繁使用，比较其高性能和低性能应用以识别可能增强RF性能的条件是有价值的。根据报告的R2和RMSE值，Zhao[23]实现了最佳RF结果（R2：0.77，RMSE：10.3 g/m2），而Thomson[67]产生了相当低的性能（R2：0.47；RMSE：2.17%）。Thomson[67]采用了与Fernandez-Habas[73]类似的比较框架，评估RF与PLSR。两种情况下PLSR均优于RF。然而，这种比较应谨慎解释，因为建模方法基于不同的输入数据集和特征表征：RF依赖野外光谱仪的HSI，而PLSR使用MSI卫星数据导出的VIs。此外，Wijesingha[76]提供了有价值的比较案例，该研究直接对比RF与其他机器学习模型包括SVR。一个关键区别在于输入变量的选择：Thomson[67]纳入了时间特征（季节和月份），而其他两项研究主要使用光谱信息和CP含量。不幸的是，Thomson[67]未报告RF设置调优的细节，限制了可重复性并可能促成模型较低性能。这一比较说明仅算法选择不足以解释CP估测中的性能差异。相反，输入特征、模型配置和报告透明度的组合似乎至少与所选建模技术本身同等有影响力。
有趣的是，经典回归方法中报告的R2和RMSE值变化相当大。例如，Adjorlolo[13]报告了不应用波段间相关过滤权重阈值时R2为0.60且RMSE显著低至0.17%。应用权重阈值后，R2略微增至0.62，但RMSE急剧上升至1.29%。第二低的RMSE由Michez[74]报告为0.82%（R2：0.54）。有些研究以无法直接转换为百分比尺度的单位报告RMSE，仅呈现nRMSE或完全不报告RMSE。值得注意的是，Askari[68]报告了最高的R2值之一（0.82），尽管该数字单独难以解释。跨研究来看，经典回归中的高R2值并不始终对应低RMSE值，强调在比较异质性研究设计的CP估测性能时，依赖单一准确性指标可能具有误导性。
与机器学习研究类似，研究地点变化很大，从天然山地草地到永久草地和具有不同施肥制度的试验地。传感器类型和光谱输入也有所不同。虽然一项研究仅依赖野外光谱仪的HSI，其他研究结合了多种光谱分辨率来源，例如Capolupo[78]使用了UAV传感器的RGB和HSI，而Hart[75]和Michez[74]结合了RGB和MSI。建模技术同样变化：Michez[74]和Hart[75]应用了MLR，Hart[75]还将其与PLSR结合于他们的GrassQ模型中。然而结果差异显著。Hart[75]报告了较差的拟合（r = –0.26，无RMSE）并将其归因于爱尔兰校准数据集与更广泛环境条件之间的不匹配，表明MSI模型受到与相对狭窄的爱尔兰校准数据集不同的草地和环境特征的影响。相比之下，Adjorlolo[13]使用HSI和PLSR获得了有希望的结果，而Michez[74]通过基于RGB的VIs和MLR获得了良好性能。传感器选择、波长范围、预处理和管理背景跨研究差异很大，没有单一的基于建模或指数的方法始终优于其他方法。这种异质性表明CP估测仍然强烈情境依赖，强调需要谨慎泛化以及明确考虑地点、传感器和建模差异的比较分析。
讨论
4.1 已发表研究和频繁检查的牧草质量指标
N和CP相关研究的主导地位，其次是ADF和NDF，表明基于遥感的草地研究中对这些牧草质量参数有强烈的方法学和农学关注。其他指标的估测探索仍然显著不足。对N和CP的强烈关注也可以解释为其光谱表现相对直接和可解释。N含量与叶绿素浓度和光合机制紧密耦合，这在可见光和-red edge区域产生一致的吸收特征。最新研究表明，利用红边和NIR波段的植被指数对于跨草地系统捕捉N状态特别稳健。对这些参数的关注也可归因于N的农学重要性，它不仅影响生物量生产，还影响消化率等多种质量参数。在管理草地中，N还与施肥策略和相关经济考虑密切相关，使其监测对管理决策高度相关。此外，N含量直接与叶片生化组成相连，使其成为基于遥感的植被研究中常见的目标变量和方法开发的自然起点。
然而，当前研究的空间分布似乎不平衡，突出了需要进一步调查的区域。研究的显著地理集中揭示了巨大的区域研究空白，特别是在赤道地区、中美洲、中东和非洲大部分（南非除外）。N研究的全球分布与所有牧草质量研究相当，只是澳大利亚没有研究。就CP研究而言，澳大利亚有几项研究，但北美和南美洲没有一项。这种不均匀的地理覆盖限制了报告模型的可转移性，并使跨气候带和管理制度评估其稳健性变得复杂。虽然N和CP是核心牧草质量指标，但它们本身不能捕捉牧草质量评估的全部复杂性。全面评估还必须考虑多种质量指标的相互作用。对单项指标的强烈关注不仅反映了农学相关性，还反映了方法学便利性，因为多牧草质量参数的整合建模仍然相对复杂且数据密集。这种研究的空间和主题集中也可能反映了传感器技术、监测基础设施和数据获取方面的不平等，这限制了模型的可转移性并约束了数据驱动的管理选择。此外，若干方法学-环境]因素可能促成观察到的地理空白。在赤道和热带地区，持续的云层覆盖可能限制无云光学卫星观测的可用性，从而降低常用被动遥感中多光谱和高光谱方法的适用性。此外，一些代表性不足地区地面参考数据的有限可用性可能约束预测模型的训练和验证。最后，研究能力和遥感技术获取方面的更广泛差异可能进一步强化了牧草质量研究不均匀的全球分布。鉴于CP和N已是最常检查的参数，且仍显示出显著的空间研究不足，对于研究较少的牧草质量指标，这种空白更为严重。因此，未来研究将受益于更广泛的地理覆盖以及综合考虑多质量参数而非孤立关注单个性状的整合方法。
4.2 传感器平台和光谱分辨率类型估测质量指标的性能
本综述证明，可以使用多种传感器平台和光谱数据以合理的精度估测草地中的N和CP含量，突出了基于遥感的牧草质量评估在不同观测尺度和传感器配置下的方法学灵活性。然而，估测性能受多种因素影响，包括传感器质量、预处理技术和所采用的建模方法。综述研究共同表明，并非指向单一主导传感器解决方案，而是估测成功源于光谱信息、预处理和建模策略之间的相互作用。
没有单一光谱分辨率类型可被识别为始终优于其他类型用于估测N或CP。尽管HSI数据使用最频繁，但其更广泛的应用并未始终转化为比基于MSI或RGB的方法显著改善的估测性能。这一发现表明，更高的光谱分辨率本身并非提高估测精分的充分条件。相反，估测稳健性似乎更强烈地依赖于光谱相关性、预处理质量和环境变异性之间的相互作用，而非单独的光谱维度。HSI模型报告R2和RMSE值的更宽范围可能部分反映其更高的使用频率和研究设计中更大的异质性。基于RGB的估测通常显示较低精度；然而，几项个体研究表明RGB在适当条件下可以产生有竞争力的结果。RGB方法通常较低稳健性可能反映了可见光波段影像对细微生化变异相对有限的敏感性，与MSI和HSI系统相比。相反，没有任何光谱类型表现如此差或不一致以至于值得排除。因此，传感器选择应更少基于假定的光谱分辨率类型优越性，而更多基于研究目标、操作约束和数据可用性。尽管如此，研究间可识别一致的模式。如前所述，由于与叶绿素吸收和光合作用活动的强关联，N相关性状在可见光和-red edge区域最敏感地捕捉，而CP估测还额外受益于与冠层结构和生物量相关的近红外信息。这种区别有助于解释为什么基于-red edge的MSI传感器对于N估测通常表现与完整HSI系统相当，而CP模型根据光谱范围和冠层条件显示更大变异性。
RGB影像主要用于推导生物量或草层高度等结构代理，而非直接估测牧草质量参数。这可能反映了可见光波段影像有限的生化敏感性，尽管几项研究表明RGB方法仍能提供有用信息，特别是与结构或管理相关变量结合时。此类结构代理可能间接改善CP和N估测，因为冠层高度和生物量积累与植物生长动态、叶面积发展和草层内养分分配模式相关。HSI传感器使用最频繁，即使在某些研究中它们主要作为模拟不同MSI波段组合的基础，例如代表卫星配置。此类方法通常实现了相对准确的结果。这进一步支持了建模方法和光谱域并非系统相关联的观察，表明成功的牧草质量估测更依赖于情境特异性数据特征而非预定义的传感器-算法组合。即使最准确的模型对特定光谱类型也无明显偏好，除了N估测的顶级回归模型中HSI传感器更为突出。
HSI在灵活性方面具有显著优势。HSI传感器的灵活性得益于其捕捉与蛋白质、纤维素和水分含量相关的细微生化吸收特征的能力，这些特征分布在可见光到短波红外光谱。值得注意的是，Michez[74]等也证明了MSI传感器在此背景下的有效性。MSI代表了中间解决方案，平衡了操作可扩展性和光谱敏感性，这可能解释了其在卫星和UAV监测工作流中的广泛采用。值得承认的是，不成功的建模尝试可能未报告或未发表，这可能偏斜不同传感器类型的表观性能。
4.3 建模方法准确估测质量指标的性能
本综述强调了用于估测草地N和CP含量的广泛建模方法。经典回归方法和机器学习算法均显示了准确预测的潜力，但没有单一方法在不同情境中始终优于其他方法。这种缺乏普遍优越方法的情况强调了方法适应性而非单独算法选择的重要性。最新方法学分析表明，建模方法之间的差异较少由算法类别驱动，更多由模型如何处理多重共线性、噪声和地点特异性光谱-生物化学关系驱动。线性方法如PLSR在线性嵌入相关光谱分辨率类型中的生化信号时表现特别好，而机器学习算法可能利用非线性模式但对数据异质性和过拟合更敏感。这为为什么简单模型在应用内频繁优于更复杂模型提供了概念性解释。
RF在不同条件下展示了可靠性能，但如前所述，并非始终产生优越结果。较少应用的算法如SVR、Cubist和MAXR在个别案例中显示了有希望的结果；然而，由于比较研究数量有限，其更广泛的适用性仍难以评估。最准确的基于机器学习的研究在算法选择、光谱分辨率类型输入或草地类型方面几乎没有重叠，表明建模成功高度依赖情境而非方法驱动。先进的计算工作流（例如多传感器融合或更深神经网络架构）可能揭示复杂的非线性关系，但需要比许多当前研究提供的更大、精心整理的数据集和更多计算资源。
在经典回归方法中，PLSR经常展示稳健性能，且通常匹配或超过RF等常用机器学习方法。然而，这并非在所有研究中一致。例如，Lussem[58]报告RF具有更高精度，强调性能严重依赖于数据集和条件。尽管PLSR经常产生相对较高的预测性能，指标报告的不一致使跨研究解释复杂化。然而，PLSR仍然是稳健透明的基线方法，特别适用于样本量有限的研究。因此，报告的性能差异应被解释为指示性趋势而非算法优越性的明确证据。草地类型、光谱分辨率类型数据、环境条件和实验设计的差异促成了研究间报告模型性能的实质性变异。刈割频率或CP水平等附加因素也可能发挥作用但尚未充分探索。有趣的是，M?nner[96]发现牧草质量（此处指可代谢能）预测通常比生物量预测在全球模型中更准确，这可能是因为生化叶片性状在全球范围内同样可变且与光谱性状紧密相连。换言之，N或CP等养分相关生化性状比生物量相关性状跨地点显示更稳定的光谱特征，后者受冠层结构和管理强烈影响。这一概念区别有助于解释为什么即使模型可转移性跨地点和管理条件仍然有限时，CP和N通常仍能以合理精度预测。然而，即使这些全球方法也需要本地校准，强化了无论算法复杂性如何模型可转移性仍然有限。正如Hart[75]所强调，特定地点校准对于实现可靠预测至关重要，无论建模方法如何。
4.4 结论：挑战与未来展望
如Michez[74]在生物量估测背景下也指出的，结果跨研究的直接可比性仍然极其困难。这主要归因于潜在条件的广泛变化，如草地类型、传感器和光谱分辨率类型特征、样本量以及所调查的牧草质量指标的具体含量水平。尽管关于CP和N估测的已发表研究数量已经相当高，但特定组合的样本量，如集约利用草地中的N估测或寒带地区的CP估测，仍然有限。这限制了报告精度在研究条件之外泛化的程度，并强化了大多数建模方法的情境依赖性。
情况因不完整或不一致的报告而进一步复杂化。有些研究未清楚说明关键变量如样本量或含量水平。中间结果如模型构建中特定VIs的重要性也经常缺失。即使变量在研究间可比较，单位（例如每平方米N或百分比）或验证程序的差异显著影响了可比性。虽然有力论据支持在遥感中使用面积指标，但基于质量的百分比值仍然是更常见的标准。尽可能报告两种单位将实质性提高跨研究可比性并促进未来综合工作。
模型评估指标也是如此。虽然R2和RMSE值通常报告且肯定有用，但验证方法的不一致性限制了其可比性。仅少数研究提供了nRMSE，尽管它更适合跨研究比较。此外，验证的进行方式存在相当变异。一些研究使用单一数据集，其他使用交叉验证，还有一些依赖独立测试集。理想情况下，模型应在子集上训练并在独立测试集上验证。然而，对于小数据集，这可能不可行，交叉验证通常被替代使用。验证方法的选择似乎也与数据集大小不一致：Capolupo[78]对460个样本（ presumably 每次活动）应用交叉验证，Lussem[58]对832个样本亦然，而Oliveira[57]仅108个样本却使用独立测试集。这些决策在各自研究中可能有理由，且通常有良好解释，但它们仍阻碍系统比较。此外，如Brama & Ahmed[104]所证明，仅数据集大小就能影响统计结果，但尚无关于何种样本量使用何种验证方法的标准指南。当关键模型细节缺失时，可重复性也受损。例如，虽然Mutanga[105]明确列出了所有RF设置，许多研究未这样做。这一遗漏限制了透明性，使识别误差来源或评估哪些模型组件对估测性能贡献最大变得更加困难。此外，非显著结果很少报告，尽管它们能为某些方法失败而其他方法成功提供宝贵见解。
