综述：基于传感器的牧场质量监测：支持放牧管理与预防反刍动物营养及代谢紊乱

《Sensors》：Sensor-Based Pasture Quality Monitoring: Supporting Grazing Management and Preventing Nutritional and Metabolic Disorders in Ruminants

　　

牧场质量监测对于优化放牧管理和降低反刍动物营养及代谢紊乱发生率至关重要，然而传统的基于田间的测量仍然劳动密集且空间覆盖有限。本综述探讨了遥感（RS）技术如何通过提供生物量、植物学组成和营养属性的及时、可扩展评估来支持基于牧场的家畜系统。来自多光谱、高光谱、雷达（RADAR）和激光雷达（LiDAR）传感器的数据，通过卫星、无人机（UAV）和近端平台获取，并与机器学习（ML）方法和辐射传输模型相结合，以推导牧场生物物理和质量指标。所回顾的证据表明，RS可可靠地估计牧场生物量和结构特征，而光谱解混、数据融合和人工智能（AI）的进步改善了对异质草层的表征，并支持与饲草质量相关的新兴指标。将这些遥感指标整合到草地决策支持框架中，可以优化放牧分配，为施肥和灌溉决策提供信息，并有助于检测与营养失衡相关的状况。总体而言，该综述表明，RS，特别是与先进建模和基于云的处理相结合时，为改进牧场监测和加强反刍动物营养管理提供了一条稳健的途径，从而支持更具可持续性和以动物福利为中心的放牧系统。

1. 1.
   引言
   草地是陆地生态系统的重要组成部分，覆盖地球陆地表面的很大一部分，为放牧动物提供必需的饲草，并提供碳储存和野生动物栖息地等重要生态系统服务。在欧洲，由于室内集约系统的效率和可控性更高，牧场用地减少了约30%，但基于牧场的系统在气候适宜时具有经济和环境优势。然而，草地时空变异使得饲料供应难以控制，牧草数量受选择性采食、粪斑和季节变化影响而波动。因此，引入精准畜牧养殖（PLF）技术对于跟踪环境条件和有效管理放牧动物至关重要。遥感（RS）已发展为农业和环境研究中的重要工具。维持最佳放牧强度可确保饲草处于幼嫩、高产阶段，最大化生物量产量和可代谢能量（ME）供应。农民需要牧场生物物理特征信息，包括地上生物量、冠层覆盖、植物密度和高度以评估数量，以及物种组成、适口性、消化率和营养属性（如氮（N）、粗蛋白（CP）、中性洗涤纤维（NDF）和酸性洗涤纤维（ADF））以评估质量。监测这些参数对于预防营养和代谢紊乱至关重要。代谢紊乱常由营养失衡引起，包括碳水化合物相关失衡（如瘤胃酸中毒和臌胀）以及脂代谢异常（如牛脂肪肝综合征、酮症）。当前建模方法包括参数、非参数和基于物理的框架。参数模型依赖植被指数，计算高效但受冠层密度和土壤反射率影响；非参数模型（如随机森林（RF）和支持向量回归）适应性更强；基于物理的模型（如冠层辐射传输模型）通过模拟植被过程增强预测能力。本综述的研究问题为：远程、近端和基于动物的传感技术在多大程度上可以改善牧场质量评估并支持放牧管理决策，从而有助于降低放牧反刍动物中与代谢紊乱相关的营养风险因素。本综述的主要目标是批判性地综合RS、传感器技术和决策支持系统（DSS）在基于牧场的家畜系统中的最新进展，强调牧场质量评估、草层异质性和补充策略，并指出传感器校准、数据集成和实际实施方面的局限性与未来方向。
2. 2.
   综述方法
   2.1 综述设计
   本研究采用结构化叙述性综述，旨在批判性评价传感技术在牧场质量监测中的最新进展及其在放牧反刍动物营养管理中的应用。鉴于主题的多学科性质，采用结构化方法确保全面覆盖并允许跨领域批判性综合。
   2.2 文献检索策略
   文献检索以Google Scholar为主要引擎，辅以Scopus、NCBI、ScienceDirect、Elsevier、IEEE Xplore和MDPI等数据库，聚焦2021-2025年同行评审研究。检索词组合了牧场监测与传感分析术语。综述流程包括去重、标题摘要筛选、全文评估和批判性评价。研究纳入标准涵盖同行评审、牧场监测、放牧家畜、RS、近端传感、UAV、卫星 imagery、高光谱传感、LiDAR、ML、物联网（IoT）和DSS。排除标准包括仅关注室内系统、作物生产无牧场应用、会议摘要或社论、缺乏方法信息及重复发表。尽管主要检索近五年文献，但一些早期基础文献被保留。所选文献根据测量能力、校准需求、稳健性、可扩展性、操作成本、系统间可转移性以及整合到PLF-DSS的适用性进行批判性评估。局限性包括叙述性综述非定量荟萃分析、仅英文文献、技术快速发展可能遗漏新平台、以及不同牧场和气候条件下直接定量比较受限。
3. 3.
   牧场可用性与质量参数
   牧场质量是一个多维概念，包括草层的结构、植物学、生物化学和功能特征，直接影响营养可用性、采食量、消化率和动物性能。牧草质量更具体地指植物材料的营养和化学特性，是牧场质量的组成部分。从PLF角度，每个属性的相关性取决于其营养意义和传感技术准确估计的可行性。牧场数量（可用性）通过生物量、冠层覆盖、密度和高度评估，常用干物质（DM）产量表示。牧场质量还包括草层特征和饲草营养质量，后者通过CP、NDF、ADF、ME、有机物消化率（OMD）和水溶性碳水化合物（WSC）等指标评估。结构特征（生物量、高度、覆盖）可用多光谱指数或雷达指标可靠估计，而化学特征（CP、NDF、WSC）需要更高光谱分辨率的传感器。生物化学属性估计更困难，因其光谱特征常间接受水分、物候和物种组成影响，需要大量本地校准。矿物质组成（钙、磷、镁等）缺乏直接光谱特征，目前主要依赖间接模型或实验室分析。牧草水分含量（PMC）和植被活力（常用归一化差异植被指数（NDVI））也用于评估，但NDVI在密冠层下易饱和，对生化特征敏感性有限。Adar等人开发了牧场质量指数（PQI），整合多个营养属性到单一指标，通过高分辨率RS数据空间和时间预测。CP和NDF的RS预测准确性变异较大，生物量估计R²常高于0.70，而CP和NDF表现较低且不一致，反映了其生化复杂性和物候影响。高质量牧场应有高CP（>20% DM）和低NDF（约40% DM），但具体比例因动物种类和生理阶段而异。准确监测这些参数对氮利用效率至关重要，小偏差会对氮利用效率和代谢稳定性产生不成比例影响。
4. 4.
   用于牧场监测的技术
   有效草地管理依赖准确及时的牧场状态信息。传统上升降仪（RPM）和电容探头（如Grassmaster^? II）是常用近端传感器，但精度受草层异质性和水分影响。RS包括UAV、载人和卫星平台，提供大范围覆盖。卫星光学传感器（如Sentinel-2）监测冠层属性和植被指数，合成孔径雷达（SAR）提供结构和高度信息，弥补云层影响。UAV搭载多光谱或高光谱传感器可高分辨率估计生物量、氮含量和质量性状，LiDAR表征三维结构。机载传感系统（如负载细胞、电容振荡器）提供连续生物量测量，用于校准RS模型。近端和RS传感器分为被动和主动系统，包括多光谱、高光谱、热成像、雷达和LiDAR。当前证据表明，没有单一技术能准确估计所有牧场特征，因此多传感器融合（结合卫星、UAV、PS、LiDAR、气象和土壤数据）通过利用互补优势提高稳健性。不同技术对生物量、CP和NDF的估计能力、校准需求和操作准备度各异，选择应基于目标参数、所需精度和实施约束。
5. 5.
   放牧反刍动物牧场参数与瘤胃活动
   反刍动物拥有特化的消化系统，依赖瘤胃微生物发酵将纤维植物材料转化为可代谢营养。唾液提供缓冲维持瘤胃pH，瘤胃微生物（细菌、原生动物、真菌）分解复杂碳水化合物为挥发性脂肪酸（VFA），提供主要能量。营养水平变化可改变瘤胃细菌群落，饮食组成（CP、NDF、醚提取物（EE）、淀粉）波动贡献了瘤胃细菌变异的32.49%。因此，牧场质量变化直接转化为微生物种群和发酵动态变化。例如，低DM和高WSC牧场增加快速发酵和pH下降风险，而高NDF和低CP牧场降低采食量和瘤胃周转率。这些动态说明物候是瘤胃功能的关键决定因素，实时监测这些参数对预期代谢失衡至关重要。
6. 6.
   反刍动物的营养和代谢紊乱
   动物代谢受激素、氧化还原信号、饮食和环境因素复杂调控。持续破坏可导致疾病，代谢紊乱源于营养失衡、摄入不足或过量、消化吸收失败等。牧场植物中的化合物（如引起臌胀的物质、硝酸盐、植物毒素、真菌毒素）也可导致代谢紊乱。低镁血症（草 tetany）是典型例子，与快速生长期低镁、高钾和高氮牧草相关，土壤酸性加剧风险，施用镁质石灰可预防。其他风险包括高CP低纤维草层增加臌胀风险，成熟 lignified 牧场导致负能量平衡和酮症。这些营养模式与物候、冠层结构和光谱特征相关，传感技术可帮助识别高风险条件。
7. 7.
   AI、IoT和ML在预测模型中的作用
   AI在精准放牧中的价值取决于输入数据的质量、多样性和时间连续性。现代系统集成卫星、UAV、近端传感、气象站、土壤传感器和动物设备数据。IoT通过智能传感器网络、通信框架和分布式计算支持精确监测。ML算法（如支持向量机、决策树、随机森林）从标记数据学习，Zwick等人证明结合高分辨率多光谱RS和随机森林可准确预测热带牧场生物量和CP。IoT传感器构成骨干，传输实时数据到云平台。边缘AI框架（如Tariq等人的轻量MiT-B0视觉模型）实现低延迟决策，减少云依赖。虚拟传感器（如LightGBM模型）可仅用开放气象数据估计土壤湿度等变量。区块链和机器人技术也在智能农业中兴起，但传感器校准和验证仍是关键研究缺口。
8. 8.
   决策支持框架和管理支持系统
   DSS在精准农业中广泛用于牧场管理，优化供应、质量和利用。常见工具包括牧场楔、牧场预算和轮牧计划器。许多DSS为网络或移动应用，如AgroMANAGER^?、MesParcelles^?等。欧洲项目GrassQ^?整合近端和卫星数据。高级DSS结合动物传感器（如GPS项圈）和RFID，支持实时补充策略。Defalque等人提出IoT架构集成环境、牧场和动物数据，训练ML模型估计CP、ADF和总可消化养分（TDN），通过可编程自动饲喂器（PAF）动态调整补充水平。然而，混合草地中草层异质性描绘仍挑战，需光谱解混和超像素分割。多传感器融合和ML改善特征估计，连续监测CP、NDF等性状可早于临床症状检测代谢不稳定，支持预防性管理。可扩展性和转移性是实施关键，模块化架构可适应不同农场规模。
9. 9.
   本综述的局限性
   本综述为叙述性而非系统评价，可能存在选择偏差，仅纳入英文文献可能排除其他语言相关研究。检索聚焦2021-2025年，可能遗漏早期基础研究和区域研究。未进行定量荟萃分析，因研究间实验设计和指标差异限制直接比较。经济可行性是另一局限，缺乏一致的农场层面成本效益数据。技术转移性和跨系统可扩展性受农场规模、气候和校准需求约束。尽管有这些局限，综述提供了最新综合并指明未来方向。
10. 10.
    结论
    本综述综合了牧场监测、精准草地管理、RS和DSS的最新进展。证据表明，结合不同传感模式改善了对营养失衡的预期。RS与PS集成增强了对时空变异的理解，支持构建DSS，优化放牧、存栏率和补充决策。牧场监测与动物传感（可穿戴、RFID）的融合使DSS从静态指标转向动态实时评估。新型传感技术校准后代表改进牧场表征和营养管理的有前景途径，但直接证据链接传感器监测与代谢紊乱减少仍有限，需验证动物水平响应。结构特征预测精度通常高于生化参数，多模态传感和集成DSS是未来方向。
11. 11.
    未来研究
    未来研究应优先校准和验证新兴传感器与RS结合，在异质草地中准确估计能量、蛋白、纤维分数和次生化合物。加强DSS中牧场监测与动物健康指标集成，通过实时动物响应（行为、采食量、生理状态）预期营养应激。研究应解决DSS在不同规模农场的可扩展性和可达性，开发成本效益传感器部署、标准化协议和模块化架构。量化综合系统的经济可行性，考虑设备、校准、连接、数据处理和培训成本，结合可测量产出（补充成本、劳动、生产力、疾病发生率）。探索先进分析（ML和AI）改善数据融合、不确定性处理和预测能力，将牧场性状组合与代谢风险建模，支持可持续放牧系统。