从野外到空中光谱-先进的光谱数据分析，以准确检索多年生黑麦草生物量和饲料质量( From field to airborne spectroscopy – advancing spectral data analytics for accurate retrieval of perennial ryegrass biomass and feed quality )

Gustavo Togeiro de Alckmin

牧场是以放牧为基础的畜牧业生产系统的基石，允许可持续地使用边际农业土地，同时将不可消化的资源转化为适合人类消费的营养产品。尽管有大量关于牧草生产和管理的构成因素的文献，但由于目前的测量和监测方法成本高、耗时长，大多数以牧草为基础的放牧系统没有得到最佳管理。室外光谱观测虽然具有挑战性，但有潜力提供关于牧草数量和质量的实时信息，是自治平台的理想传感技术，从而缓解监测瓶颈，支持集约化牧草生产。本论文的主要目的是确定室外环境中光谱数据在多大程度上能够准确地估计多年生黑麦草（Lolium perenne）的关键生物物理和生化成分。此外，这项研究旨在验证光谱模型从手持光谱测量到遥控航空系统(RPAS)的可转移性，同时批判性地评估最佳建模方法和最低传感器要求。通过这样做，本论文验证了光谱数据在生物量估计方面优于通常使用的冠层高度模型(CHM)，并表明合适的低成本成像传感系统已经可以商业化。在引言之后，第二章重点讨论了植被指数和树冠高度在生物量估算中的应用，同时量化了基于不同回归算法的精度改进。将CHM与归一化植被指数(NDVI)进行了比较。此外，为了进一步探索植被指数的潜力，采用蛮力程序生成了11026个归一化比率指数(NRI)，并选择了最佳NRI波段组合。同时，对97个基于植被指数的文献库进行了过滤，并进行了特征选择程序，以确定一个最优的指数小子集。结果表明：（一）最优植被指数（即最佳NRI）与CHM是等价的；(ii)仅使用冠层顶部反射率时，少量植被指数就足以达到可达到的精度；和(iii)只有通过更精细的建模技术，如非参数方法和模型堆叠，才能提高精确度和精度。第三章采用遗传算法进行双目标搜索：使谱带数目最小，同时使粗蛋白估计的模型精度最大。在不同的光谱范围内，即VIS-NIR、SWIR和全光谱范围内，比较了粗蛋白作为干物质分数(\%CP)和以每面积重量（kgCP/ha）为基础的两种不同测量方法的可达到的精确度，并将该方法应用于不同的光谱范围，即VIS-NIR、SWIR和全光谱范围。结果表明，在室外环境中，估计粗蛋白的最佳方法依赖于其表达作为每面积重量的基础，仅VIS-NIR在已知和未见的位置都能提供最佳的准确性。第四章提出了一种基于由两个参数子函数描述的分段函数从离散多光谱测量（即商业上可用的多光谱相机的四个波段）反演连续光谱特征（550-790 nm）的新方法。光谱特征的反演允许产生连续体去除特征和相关的植被指数，以预测生物量，以前在文献中被报道为生物量估计的最佳指数。将这些综合植被指数与从原始带值得到的植被指数进行了比较。没有发现明显的性能改善，表明潜在的生物宽带吸收特征（如色素、叶面积和细胞结构）是很好的

SciDown文献求助系统（解决99%问题） Public Download ResearchGate