Die wachsende Nachfrage nach nachhaltigen Viehsystemen erfordert effiziente Methoden zur Überwachung der Futterbiomasse. Diese Studie bewertete spektrale (RGB und multispektrale), texturale (GLCM) und Flächenattribute, die aus Bildern von unbemannten Luftfahrzeugen (UAV) abgeleitet wurden, um die Biomasse von Buffelgras (Cenchrus ciliaris L.) vorherzusagen, und testete auch den Effekt der Entfernung von Bodenpixeln. Eine umfassende Pipeline für maschinelles Lernen (12 Algorithmen und 6 Methoden zur Merkmalsauswahl) wurde auf 14 Datenkombinationen angewendet. Unsere Ergebnisse zeigten, dass die Entfernung von Bodenpixeln die Leistung der angewandten Modelle konsequent verbesserte. Multispektrale (MSI) Sensoren waren einzeln am robustesten, während texturale (GLCM) Attribute nicht signifikant beitrugen. Obwohl die Kombination von MSI- und RGB-Daten ergänzend war, wurde das Modell mit der höchsten Genauigkeit mit CatBoost unter Verwendung nur von RGB-Informationen nach der Boruta-Merkmalsauswahl erzielt, was einen CCC von 0,83, einen RMSE von 0,214 kg und einen R2 von 0,81 im Testset erreichte. Die wichtigste Variable war die Vegetationsbedeckungsfläche (19,94 %), die die spektralen Indizes übertraf. Wir kommen zu dem Schluss, dass die Integration von RGB-UAVs mit robuster Verarbeitung zugängliche und effektive Werkzeuge zur Überwachung von Futter erzeugen kann. Dieser Ansatz kann das Weidemanagement unterstützen, indem er die Besatzung optimiert, die Effizienz der natürlichen Ressourcen verbessert und datenbasierte Entscheidungen in präzisen silvopastoralen Systemen unterstützt.
Santos et al. (Do,) haben diese Frage untersucht.