On-farm assessment of mixed pasture

On-farm assessment of mixed pasture nutrient concentrations is important for animal production and pasture management. Hyperspectral imaging is recognized as a potential tool to quantify the nutrient content of vegetation. However, it is a great challenge to estimate macro and micro nutrients in heterogeneous mixed pastures. In this study, canopy reflectance data was measured by using a high resolution airborne visible-to-shortwave infrared (Vis–SWIR) imaging spectrometer measuring in the wavelength region 380–2500 nm to predict nutrient concentrations, nitrogen (N) phosphorus (P), potassium (K), sulfur (S), zinc (Zn), sodium (Na), manganese (Mn) copper (Cu) and magnesium (Mg) in heterogeneous mixed pastures across a sheep and beef farm in hill country, within New Zealand. Prediction models were developed using four different methods which are included partial least squares regression (PLSR), kernel PLSR, support vector regression (SVR), random forest regression (RFR) algorithms and their performance compared using the test data. The results from the study revealed that RFR produced highest accuracy (0.55 ⩽ R2CV ⩽ 0.78; 6.68% ⩽ nRMSECV ⩽ 26.47%) compared to all other algorithms for the majority of nutrients (N, P, K, Zn, Na, Cu and Mg) described, and the remaining nutrients (S and Mn) were predicted with high accuracy (0.68 ⩽ R2CV ⩽ 0.86; 13.00% ⩽ nRMSECV ⩽ 14.64%) using SVR. The best training models were used to extrapolate over the whole farm with the purpose of predicting those pasture nutrients and expressed through pixel based spatial maps. These spatially registered nutrient maps demonstrate the range and geographical location of often large differences in pasture nutrient values which are normally not measured and therefore not included in decision making when considering more effective ways to utilized pasture.

ผลลัพธ์ (ไทย) 1:

การประเมินในฟาร์มทุ่งหญ้าผสมความเข้มข้นของธาตุอาหารเป็นสิ่งสำคัญสำหรับการจัดการการผลิตและทุ่งหญ้าสัตว์ป่า รู้จัก Hyperspectral ถ่ายภาพเป็นเครื่องมือในการวัดปริมาณเนื้อธาตุอาหารของพืช อย่างไรก็ตาม ก็ท้าทายการประเมินสารอาหารและจุลภาคในทุ่งหญ้าผสมแตกต่างกัน ในการศึกษานี้ กระโจมสะท้อนข้อมูลโดยวัดจากทำนายความเข้มข้นของสารอาหาร ไนโตรเจน (N) ฟอสฟอรัส (P), โพแทสเซียม (K), กำมะถัน (S), สังกะสี (Zn), โซเดียม (Na), แมงกานีส (Mn) ทองแดง (Cu) และแมกนีเซียม (Mg) ที่ใช้มีความละเอียดสูงอากาศมองเห็นการคลื่นสั้นอินฟราเรด (Vis – SWIR) ถ่ายภาพสเปกโตรมิเตอร์วัดในความยาวคลื่นภูมิภาค 380-2500 nm ใน heterogeneous ผสมทุ่งหญ้าในฟาร์มแกะและเนื้อวัวในประเทศเขา ภายในประเทศไทย แบบจำลองทำนายได้ถูกพัฒนาขึ้นโดยใช้สี่วิธีด้วยกันซึ่งเป็นสี่เหลี่ยมอย่างน้อยบางส่วนรวมถดถอย (PLSR), เคอร์เนล PLSR สนับสนุนเวกเตอร์ถดถอย (SVR), อัลกอริทึมการถดถอย (RFR) ป่าสุ่มและผลการเปรียบเทียบโดยใช้ข้อมูลการทดสอบ ผลที่ได้จากการศึกษาเปิดเผยว่า RFR ผลิตความแม่นยำสูงสุด (0.55 ⩽ R2CV ⩽ 0.78; 6.68% ⩽ nRMSECV ⩽ 26.47%) เมื่อเทียบกับอื่น ๆ อัลกอริทึมสำหรับส่วนใหญ่ของสารอาหาร (N, P, K, Zn, Na, Cu และ Mg) อธิบาย และสารอาหารเหลือ (S และ Mn) ถูกทำนาย มีความแม่นยำสูง (0.68 ⩽ R2CV ⩽ 0.86; 13.00 ⩽ nRMSECV ⩽ 14.64%) ใช้ SVR แบบฝึกที่ดีที่สุดถูกใช้ในการ extrapolate มากกว่าฟาร์มทั้งหมดมีวัตถุประสงค์ในการทำนายที่ทุ่งหญ้าสารอาหาร และแสดงออกผ่านแผนที่ spatial พิกเซลตาม แผนที่สารอาหารเหล่านี้ลงทะเบียน spatially สาธิตช่วงและภูมิศาสตร์ของความแตกต่างมักจะใหญ่ในทุ่งหญ้าค่าสารอาหารซึ่งปกติไม่มีวัด และดังนั้นจึง ไม่รวมอยู่ในการตัดสินใจเมื่อพิจารณาวิธีการเพิ่มประสิทธิภาพในการใช้ประโยชน์ทุ่งหญ้า

ผลลัพธ์ (ไทย) 2:

ฟาร์มประเมินความเข้มข้นของสารอาหารที่ผสมทุ่งหญ้าเป็นสิ่งสำคัญสำหรับการผลิตสัตว์และการจัดการทุ่งหญ้าเลี้ยงสัตว์ การถ่ายภาพ Hyperspectral ได้รับการยอมรับเป็นเครื่องมือที่มีศักยภาพที่จะหาจำนวนปริมาณธาตุอาหารของพืช แต่ก็เป็นความท้าทายที่ดีที่จะประเมินสารอาหารมหภาคและจุลภาคในทุ่งหญ้าผสมที่แตกต่างกัน ในการศึกษานี้ข้อมูลที่สะท้อนหลังคาวัดโดยใช้ความละเอียดสูงสามารถมองเห็นได้ในอากาศไปเอฟเอ็มอินฟาเรด (Vis-SWIR) สเปกโตรมิเตอร์วัดการถ่ายภาพในภูมิภาคความยาวคลื่น 380-2500 นาโนเมตรที่จะคาดการณ์ความเข้มข้นของธาตุอาหารไนโตรเจน (N) ฟอสฟอรัส (P) โพแทสเซียม (K) กำมะถัน (S), สังกะสี (Zn) โซเดียม (Na) แมงกานีส (Mn) ทองแดง (Cu) และแมกนีเซียม (Mg) ในทุ่งหญ้าผสมที่แตกต่างกันทั่วแกะและเนื้อวัวในฟาร์มในประเทศฮิลล์ภายในใหม่ นิวซีแลนด์ แบบจำลองการคาดคะเนได้รับการพัฒนาโดยใช้สี่วิธีที่แตกต่างกันซึ่งรวมบางส่วนอย่างน้อยสี่เหลี่ยมถดถอย (PLSR) เคอร์เนล PLSR สนับสนุนเวกเตอร์ถดถอย (SVR) ถดถอยป่าสุ่ม (ฉิบหาย) ขั้นตอนวิธีการและประสิทธิภาพการทำงานของพวกเขาเมื่อเทียบกับการใช้ข้อมูลการทดสอบ ผลจากการศึกษาพบว่าฉิบหายผลิตความถูกต้องสูงสุด (0.55 ⩽ R2CV ⩽ 0.78; 6.68% ⩽ nRMSECV ⩽ 26.47%) เมื่อเทียบกับขั้นตอนวิธีการอื่น ๆ ทั้งหมดส่วนใหญ่ของสารอาหาร (N, P, K, สังกะสี, Na, Cu และมิลลิกรัม ) อธิบายและสารอาหารที่เหลือ (S และ Mn) ได้รับการคาดการณ์ว่ามีความแม่นยำสูง (0.68 ⩽ R2CV ⩽ 0.86; 13.00% ⩽ nRMSECV ⩽ 14.64%) โดยใช้ SVR รุ่นที่ดีที่สุดในการฝึกอบรมมาใช้ในการคาดการณ์ในช่วงฟาร์มทั้งหมดที่มีวัตถุประสงค์ในการทำนายสารอาหารที่ทุ่งหญ้าเหล่านั้นและแสดงออกผ่านพิกเซลตามแผนที่เชิงพื้นที่ ลงทะเบียนตำแหน่งแผนที่เหล่านี้แสดงให้เห็นถึงสารอาหารที่หลากหลายและที่ตั้งทางภูมิศาสตร์ของความแตกต่างที่มีขนาดใหญ่มักจะอยู่ในค่าสารอาหารที่ทุ่งหญ้าซึ่งเป็นปกติไม่ได้วัดและดังนั้นจึงไม่ได้รวมอยู่ในการตัดสินใจเมื่อพิจารณาวิธีที่มีประสิทธิภาพมากขึ้นในการใช้ทุ่งหญ้า

ผลลัพธ์ (ไทย) 3:

การประเมินฟาร์มผสมอาหารความเข้มข้นของธาตุอาหารที่สำคัญสำหรับการผลิตสัตว์ และการจัดการแปลงหญ้า ภาพ hyperspectral ได้รับการยอมรับเป็นเครื่องมือที่มีศักยภาพ ปริมาณธาตุอาหารของพืช อย่างไรก็ตาม มันเป็นความท้าทายที่ยิ่งใหญ่ เพื่อประมาณการแมโครและสารอาหารขนาดเล็กในทุ่งหญ้าผสมที่แตกต่างกัน ในการศึกษานี้ ท้องฟ้าสะท้อนข้อมูลได้โดยใช้ความละเอียดสูงอากาศมองเห็นเครื่องอินฟราเรด ( VIS ( Sheikh ) วัดภาพวัดในภูมิภาคความยาวคลื่น 380 – 2 , 500 nm เพื่อทำนายปริมาณธาตุอาหาร ไนโตรเจน ( N ) และฟอสฟอรัส ( P ) โพแทสเซียม ( K ) กำมะถัน ( S ) , สังกะสี ( Zn ) โซเดียม ( Na ) , แมงกานีส ( Mn ) ทองแดง ( Cu ) และแมกนีเซียม ( Mg ) ในทุ่งหญ้าผสมพันธุ์ในฟาร์มแกะเนื้อในประเทศเขา ในนิวซีแลนด์ แบบจำลองทำนายถูกพัฒนาโดยใช้วิธีการที่แตกต่างกันสี่ซึ่งจะรวมบางส่วนถดถอยกำลังสองน้อยที่สุด ( plsr ) , เมล็ด plsr สนับสนุนเวกเตอร์การถดถอย ( SVR ) การสุ่ม ( rfr ป่า ) ขั้นตอนวิธีการเปรียบเทียบและการใช้ข้อมูลทดสอบ ผลจากการศึกษาพบว่า rfr ผลิตความแม่นยำสูงสุด ( 0.55 ⩽ r2cv ⩽ 0.78 ; 6.68 % ⩽ nrmsecv ⩽ 26.47 % ) เมื่อเทียบกับวิธีการอื่น ๆทั้งหมดสำหรับส่วนใหญ่ของสารอาหาร ( ไนโตรเจน , ฟอสฟอรัส , โพแทสเซียม , สังกะสี , นา , ทองแดงและแมกนีเซียม ) อธิบาย และสารอาหารที่เหลือ ( และ Mn ) ทำนายที่มีความแม่นยำสูง ( 0.68 ⩽ r2cv ⩽ 0.86 ; 13.00 % ⩽ nrmsecv ⩽ 14.64 % ) ใช้ SVR . รูปแบบการฝึกอบรมที่ดีที่สุดเพื่อใช้คาดการณ์กว่าฟาร์มทั้งหมดที่มีวัตถุประสงค์ในการทำนายที่ทุ่งรัง และแสดงออกผ่านพิกเซลตามแผนที่เชิงพื้นที่ เหล่านี้ลงทะเบียนเปลี่ยนสารอาหารแผนที่แสดงช่วงและที่ตั้งทางภูมิศาสตร์ของความแตกต่างมักจะใหญ่ในคุณค่าอาหารซึ่งโดยปกติจะวัดและดังนั้นจึงไม่ได้รวมในการตัดสินใจเมื่อพิจารณาวิธีที่มีประสิทธิภาพมากขึ้นเพื่อใช้ในทุ่ง