近日，草业与草原学院杨秀春教授课题组在工程技术领域一区TOP期刊《Computers and Electronics in Agriculture》（IF=7.7）上发表题为“Estimation of crude protein content in natural pasture grass using unmanned aerial vehicle hyperspectral data”的论文。

粗蛋白（Crude Protein, CP）含量是衡量牧草营养价值的重要指标。牧草CP的准确监测对于草地退化评价、草地分等定级和畜牧业高质量发展具有重要意义。传统的CP含量监测通常是实地采样后采用化学实验方法获取，该方法耗时耗力、成本高，而且采样区域具有单一性。本研究利用高光谱无人机航拍数据和地面实测数据，在高光谱数据预处理方法比较的基础上，使用最小绝对值收缩和选择算子（Lasso）回归来筛选敏感波段，并采用了三种机器学习算法分别构建了不同草地类型（温性荒漠草原和温性草原）的单独样本以及合并样本的天然牧草CP含量遥感估测模型（图1）。

图1 技术流程图

为了提升无人机高光谱数据与CP含量的相关性，研究中将不同高光谱数据的预处理方法进行了对比分析。研究表明，与OR波段相比，FD、SNV和MSC方法有助于提高敏感波段与CP含量的相关性（图2）。

图2 不同预处理方法与CP含量的相关性分析结果

本研究构建了54种包括不同草地类型和合并样本的机器学习模型，通过地面实测样本的精度检验，最优模型的R²值在0.82-0.90之间，RMSE值在0.70-1.29 mg·g-1之间（图3），模型表现出较好的预测性能，能够准确地反演天然牧草CP含量。本研究提出了一种天然牧草营养成分快速监测技术，相关结果对于智慧牧场建设和管理、草原保护修复等都具有重要参考价值。

图3 最优模型实测值和预测值CP含量的散点图

草业与草原学院2021级硕士研究生亓慧敏为论文第一作者，杨秀春教授为通讯作者，该项工作得到了第三次新疆综合科学考察项目的支持。

文章连接：https://doi.org/10.1016/j.compag.2024.109714