Matheus Luís Caron¹ · Carlos Augusto Alves Cardoso Silva¹ · Rodnei Rizzo¹ · Ana Karla da Silva Oliveira¹ · Carlos Guilherme Silveira Pedreira² · Bin Yang³ · Peterson Ricardo Fiorio¹

Получено: 20 января 2026 г. / Принято: 22 июня 2026 г.

© Автор(ы), 2026

Precision Agriculture (2026) 27:104

https://doi.org/10.1007/s11119-026-10412-y

Актуальность. Пастбища являются основным источником корма для крупного рогатого скота в Бразилии, а пастбищные системы производства требуют частых измерений и мониторинга продуктивности и качества кормов для оптимизации продуктивности животных. В связи с этим целью настоящего исследования были разработка и оценка моделей машинного обучения для количественного определения сухого вещества (СВ), сырого протеина (СП) и нейтрально-детергентной клетчатки (НДК) на тропических пастбищах с использованием мультиспектральных и фотограмметрических данных, полученных авиационным датчиком, установленным на дистанционно пилотируемом воздушном судне (ДПВС), а также построение карт пространственно-временной изменчивости этих показателей.

Методы. Исследование проводили на коммерческом пастбище площадью около 200 га, разделенном на 19 загонов, засеянном Urochloa brizantha cv. Marandu и эксплуатировавшемся в системе ротационного выпаса в течение 2023 г. Всего было отобрано 190 полевых проб, которые сопоставили с данными мультиспектральной отражательной способности, вегетационными индексами, цифровыми моделями поверхности и информацией об управлении пастбищем. Для оценки продуктивности кормов и показателей их питательной ценности были разработаны регрессионные модели на основе случайного леса (RF) в сочетании с рекурсивным исключением признаков (RFE).

Результаты. Общая модель прогнозирования СВ продемонстрировала хорошие показатели (R² = 0,74), что свидетельствует о значительном потенциале для оценки продуктивности пастбищ. Для НДК (R² = 0,56) и СП (R² = 0,48) получены соответственно умеренная и низкая прогнозная эффективность. Внешняя валидация выявила пониженную переносимость моделей (R² < 0,2), подчеркнув влияние временной изменчивости и внутреннюю сложность показателей питательной ценности кормов. Пространственный анализ выявил выраженную пространственно-временную изменчивость СВ, СП и НДК между загонами.

Выводы. В целом результаты показывают, что авиационное мультиспектральное зондирование в сочетании с машинным обучением представляет собой перспективный подход к крупномасштабному мониторингу продуктивности и качества пастбищ и способствует принятию решений в пастбищных системах животноводства.

Ключевые слова: дистанционное зондирование · ДПВС · сухое вещество · сырой протеин · нейтрально-детергентная клетчатка

Травянистые экосистемы относятся к наиболее широко распространенным типам растительного покрова планеты и занимают приблизительно треть поверхности Земли (Ali et al., 2016; Reinermann et al., 2020). Они обеспечивают сельское хозяйство множеством экосистемных услуг, таких как регулирование климата, сохранение почв и круговорот питательных веществ (Martin et al., 2020). Кроме того, кормовые растения являются основным и самым дешевым источником питания жвачных животных, особенно крупного рогатого скота (Fuglie et al., 2021). В Бразилии приблизительно 84% говядины получают от животных, полностью выращенных на пастбищах (ABIEC, 2024). Пастбищные системы производства требуют частых измерений и мониторинга доступности и питательной ценности пастбищ для оптимизации продуктивности животных и максимизации производства (Fernandes et al., 2024). Эти показатели имеют решающее значение при выборе стратегии выпаса, корректировке подкормки и нормы нагрузки скота на пастбище (Serrano et al., 2024; Wróbel et al., 2023).

Регулирование доступности пастбищного корма для скота необходимо для эффективного управления системой (Murphyet al., 2021). Продуктивность животных на пастбище тесно связана с доступностью и питательной ценностью кормовой массы (Tedeschi et al., 2019). К основным показателям, применяемым для оценки питательной ценности пастбищ, относятся сухое вещество, сырой протеин, нейтрально-детергентная клетчатка, переваримость органического вещества и водорастворимые углеводы (Murphy et al., 2021). Традиционная оценка продуктивности пастбищ и качества кормов основана на разрушающем отборе проб биомассы с последующими сушкой, взвешиванием, измельчением и лабораторными анализами. Хотя эти методы обеспечивают надежные эталонные измерения, они требуют значительных затрат времени, труда и средств и плохо подходят для частого мониторинга больших и неоднородных пастбищных территорий (Alvarez-Mendoza et al., 2022; Fernandes et al., 2023; Freitas et al., 2022; Murphy et al., 2021).

В связи с этим технологии дистанционного зондирования (ДЗ) стали ценными дополнительными инструментами, обеспечивающими своевременную информацию с высокой пространственной детализацией и широким охватом (Aebischeret al., 2024; Alvarez-Mendoza et al., 2022; Murphy et al., 2021). Различные источники данных ДЗ — мультиспектральные и гиперспектральные датчики, фотограмметрия, LiDAR и подходы, основанные на объединении данных датчиков, — могут дополнять традиционные полевые измерения (Viljanen et al., 2018). Недавние обзоры показали, что дистанционное зондирование стало важным инструментом мониторинга травянистых угодий и пастбищ, позволяющим оценивать биомассу, состояние растительности и связанные с управлением параметры в различных пространственных и временных масштабах (Furnitto et al., 2025; Reinermann et al., 2020; Shahi et al., 2025; Wang et al., 2022).

Однако применимость этих технологий зависит от целевого показателя и масштаба работы. Спутниковые снимки обеспечивают широкий пространственный и временной охват, но их пространственное разрешение может ограничивать оценку неоднородных загонов и мелкомасштабных показателей питательной ценности. RGB- и мультиспектральные снимки с БПЛА дают более высокое пространственное разрешение и большую гибкость при мониторинге на уровне поля; однако RGB-изображения преимущественно чувствительны к цвету и структуре растительного полога, тогда как мультиспектральные датчики имеют ограниченное спектральное разрешение для выявления биохимических признаков. Гиперспектральные датчики предоставляют более подробную спектральную информацию и, как правило, лучше подходят для оценки показателей качества кормов, однако их стоимость, сложность данных и эксплуатационные ограничения могут препятствовать широкомасштабному внедрению. Аналогичным образом структурные переменные, полученные фотограмметрически и с помощью LiDAR, полезны для оценки высоты полога и биомассы, но их связь с такими показателями питательной ценности, как СП и НДК, является косвенной. Поэтому прогнозирование качества кормов остается более сложным, чем оценка биомассы, особенно в условиях тропических пастбищ, где структура полога, интенсивность выпаса и сезонная динамика отрастания быстро изменяются (Fernandes et al., 2023; Furnitto et al., 2025; Reinermann et al., 2020; Shahi et al., 2025; Wang et al., 2022).

В настоящее время в ряде исследований изучаются подходы дистанционного зондирования в сочетании с методами машинного обучения для оценки продуктивности пастбищ и показателей качества кормов. Применение данных БПЛА для количественной оценки пастбищной биомассы восходит по меньшей мере к 2014 г., когда снимки сверхвысокого разрешения использовались для оценки биомассы естественных пастбищ в США (Wang et al., 2014); с 2017 г. число публикаций по этой теме неуклонно увеличивается (Bazzo et al., 2023). Исследования, проводившиеся преимущественно на травянистых угодьях умеренного пояса, дали многообещающие результаты оценки сухого вещества, сырого протеина и показателей клетчатки с использованием мультиспектральных и гиперспектральных снимков с БПЛА, RGB-снимков, фотограмметрических продуктов и подходов объединения данных датчиков (Aebischer et al., 2024; Dvorak et al., 2021; Geipel et al., 2021; Karila etal., 2022; Karunaratne et al., 2020; Oliveira et al., 2020; Viljanen et al., 2018). Вместе с тем систематические обзоры подчеркивают, что сохраняются проблемы, связанные с конфигурацией датчиков, структурой растительности, выбором модели, стратегией валидации и переносимостью моделей между различными условиями среды и управления (Bazzo et al., 2023; Morais et al., 2021; Poley & McDermid, 2020; Shahi et al., 2025).

Несмотря на эти достижения, в мониторинге тропических пастбищ остаются существенные методологические пробелы. Большинство исследований, проведенных в Бразилии, были преимущественно сосредоточены на оценке биомассы с использованием RGB- или мультиспектральных изображений (Castro et al., 2020; Freitas et al., 2022; Oliveira et al., 2021), тогда как питательная ценность кормов с применением авиационного зондирования высокого разрешения в тропических условиях исследовалась реже (Fernandes et al., 2023). В тропических системах ротационного выпаса растительный полог быстро изменяется под совокупным воздействием интенсивности выпаса, продолжительности отдыха, удобрения, сезонного распределения осадков и динамики отрастания (Euclides et al., 2014; Sbrissia et al., 2020). Эти факторы изменяют высоту полога, растительный покров, долю обнаженной почвы, структуру кормостоя и питательный состав, влияя как на спектральные, так и на структурные сигналы, регистрируемые авиационными датчиками (Blanco-Barrientos et al., 2025; Fernandes et al., 2023; Morais et al., 2021; Poley & McDermid, 2020). В результате модели, разработанные в более однородных условиях или условиях умеренного климата, могут обладать ограниченной переносимостью при применении на тропических коммерческих пастбищах (Fernandes et al., 2023; Morais et al., 2021; Shahi et al., 2025). Таким образом, конкретное ограничение, рассматриваемое в настоящем исследовании, состоит в недостаточном включении переменных, связанных с управлением, и стратегий сезонной валидации в основанные на данных БПЛА модели машинного обучения для оценки как продуктивности пастбищ, так и таких показателей питательной ценности кормов, как сырой протеин и нейтрально-детергентная клетчатка, в тропических условиях Бразилии.

Исходя из этих пробелов, мы предположили, что объединение полученных с БПЛА мультиспектральных данных, фотограмметрических переменных и информации об управлении пастбищем даст более комплексную схему моделирования структурной, сезонной и управленческой изменчивости тропических пастбищ с ротационным выпасом, чем подходы, основанные только на спектральных или структурных предикторах. Учитывая эти методологические ограничения, а также растущую потребность в надежной информации для мониторинга продуктивности и качества тропических пастбищ, настоящее исследование было направлено на: (a) разработку и оценку моделей машинного обучения для определения сухого вещества, сырого протеина и нейтрально-детергентной клетчатки на тропическом пастбище с использованием полученных с БПЛА мультиспектральных и фотограмметрических данных в сочетании с информацией об управлении пастбищем; (b) оценку устойчивости моделей при сезонной изменчивости с использованием перекрестной валидации и валидации с исключением одной даты; (c) построение карт продуктивности и питательной ценности пастбища на уровне загона, обеспечивающих своевременную информацию для поддержки решений фермеров.

Методика исследования была организована в шесть основных этапов, представленных на блок-схеме (рис. 1): (i) полевой отбор проб, включая сбор свежей биомассы, измерение высоты полога, даты отбора и продолжительность отдыха; (ii) получение изображений с БПЛА; (iii) обработка изображений, включая радиометрическую калибровку, построение ортомозаики, ЦМП, ЦМР и МВП; (iv) извлечение признаков из спектральных каналов, вегетационных индексов, метрик МВП и управленческих переменных; (v) моделирование машинного обучения с отбором признаков, случайным лесом (RF) и процедурами перекрестной валидации; (vi) формирование пространственных прогнозов СВ, СП и НДК для поддержки принятия решений.

Рис. 1. Блок-схема методической последовательности, принятой в настоящей работе.

Район исследования расположен в муниципалитете Рибас-ду-Риу-Парду, штат Мату-Гросу-ду-Сул, Бразилия (53,32° з. д. и 20,19° ю. ш.; высота 416 м над уровнем моря) (рис. 1). Это область климатического перехода, где представлены два климатических подтипа: Cfa — влажный субтропический и Aw — тропический климат согласно международной классификации Кёппена. Средняя температура изменяется от 22 до 24 °C, а годовая сумма осадков составляет 1200–1400 мм (SEPLAN-MS, 1990). Территория находится в биоме Серрадо, а почва классифицируется как ортический кварцареновый неосол (RQo) песчаного гранулометрического состава (Santos, 2018) (рис. 2).

Исследование проводили на площади около 200 га, разделенной на 19 загонов и засеянной кормовой культурой Urochloabrizantha cv. Marandu. На ферме применяется интенсивная система производства с культурным пастбищем и частым внесением поддерживающих удобрений, прежде всего азотных (100 кг N га⁻¹).

На ферме применялся ротационный выпас. Ротацию определяли на основании продуктивности сухого вещества до выпаса с учетом высоты травостоя, измеренной градуированной линейкой, и эмпирического уравнения, откалиброванного по данным собственных участков фермы. Период использования загона составлял от 3 до 7 дней и в основном зависел от сезонной динамики кормовой массы в течение года. В общем случае период отдыха составлял 25–30 дней летом и весной и 40–50 дней в периоды дефицита воды (осенью и зимой).

В период исследования на территории находились две группы животных. Первая состояла из взрослых бычков породы нелор (Bos indicus) средней массой 500 кг, средняя масса животных второй группы составляла 400 кг. Важно подчеркнуть, что управление пастбищем и фермой в рамках данного исследования не изменялось; проводился лишь отбор кормовой массы в загонах, доступных в даты полевых работ.

Рис. 2. Расположение района исследования в Бразилии (a), в штате Мату-Гросу-ду-Сул и городе Рибас-ду-Риу-Парду (b). Экспериментальный участок, пространственное распределение точек отбора по кампаниям и контрольных точек (c).

Биофизические пробы кормовой массы и спектральные данные собирали в ходе трех полевых выездов — в феврале, апреле и октябре 2023 г., соответствовавших летнему, осеннему и весеннему сезонам. Это позволило охарактеризовать временную изменчивость кормостоя и его вегетативного развития, поскольку структура и плотность полога зависят от типа роста и стадии развития (Poley & J. McDermid, 2020).

Отбор проб на территории осуществлялся исходя из доступности загонов в дату сбора. Это затрудняло стандартизацию числа проб по датам, а доступ к участкам с пасущимися животными был невозможен. Всего было отобрано 190 эталонных проб (n = 190), распределенных по февралю (n = 70), апрелю (n = 90) и октябрю (n = 30).

Поскольку исследование выполнялось в условиях коммерческого ротационного выпаса, схема отбора не могла быть полностью сбалансированной и стратифицированной по месяцам. Число обследованных загонов и проб в каждой кампании зависело от доступности загонов и наличия пасущихся животных. Поэтому набор данных следует рассматривать как полевой набор, ограниченный эксплуатационными условиями, а не как полностью сбалансированный сезонный эксперимент. Для снижения систематической ошибки отбора внутри загонов точки случайным образом распределяли по каждому доступному загону; тем не менее неравные размеры выборок по датам могли влиять на временную сопоставимость и способность моделей к обобщению между сезонами. Это обстоятельство учитывалось в стратегии валидации посредством перекрестной валидации с исключением одной даты и дополнительно признается ограничением в подразделе «Ограничения исследования, практические следствия и направления будущих исследований».

В каждом загоне случайным образом распределяли 10 точек отбора. В каждой точке формировали объединенную пробу из четырех подпроб, отобранных по радиальным осям (север, юго-запад, юго-восток) от центра, на общей площади 9 м². Единицы подвыборки стандартизировали круглой металлической рамкой площадью 0,25 м² и геопривязывали с помощью приемника ГНСС (±1 см по x и y; ±5 см по z; рис. 3c–d). Высоту полога измеряли градуированной линейкой; всю кормовую биомассу срезали на высоте 5 см над поверхностью почвы, помещали в маркированные полиэтиленовые пакеты и взвешивали в поле для определения биомассы. Среднее четырех подпроб составляло одну объединенную пробу для каждой точки.

Материал доставляли в лабораторию, сушили в сушильном шкафу с принудительной циркуляцией воздуха при 65 °C в течение 72 ч, после чего продуктивность сухого вещества (СВ; кг га⁻¹) определяли на прецизионных весах. Затем пробы измельчали на мельнице типа Wiley с ситом 1,0 мм, хранили в герметичных полиэтиленовых пакетах и немедленно направляли на зоотехнический анализ.

Рис. 3. Рабочая последовательность обработки мультиспектральных изображений. Первый этап включал радиометрическую калибровку изображений по значениям яркости калибровочной панели и данным датчика солнечного света ДПВС; выравнивание изображений (этап 2); калибровку и оптимизацию камер с использованием навигационных файлов, содержащихся в метаданных изображений, и геометрическую коррекцию изображений по наземным контрольным точкам (этап 3); создание разреженного облака точек и фильтрацию шума (этап 4); построение плотного облака точек (этап 5), ЦМП (этап 6) и мультиспектральной ортомозаики (этап 7).

Высушенные и измельченные пробы направляли в коммерческую лабораторию для определения качественных показателей — сырого протеина (СП) и нейтрально-детергентной клетчатки (НДК) — традиционными методами. Концентрацию НДК выражали в процентах (% от СВ) и определяли по методике Van Soest et al. (1991). Общий азот (Nₜ) определяли методом сжигания Дюма (метод 990.03) на анализаторе азота LECO FP-528 (AOAC, 2005). Содержание СП, выраженное в процентах (% от СВ), рассчитывали по значениям Nₜ умножением на коэффициент 6,25 (Newman et al., 2009).

Мультиспектральные данные регистрировали с помощью платформы ДПВС — квадрокоптера DJI Phantom 4 Multispectral RTK, предназначенного для сельскохозяйственных задач (DJI Technology, Шэньчжэнь, Китай). На борту ДПВС находились пять монохроматических датчиков, охватывающих синий (450 ± 16 нм), зеленый (560 ± 16 нм), красный (650 ± 16 нм), красный край (730 ± 16 нм) и ближний инфракрасный диапазон (840 ± 26 нм), а также RGB-датчик для изображений в видимом свете. Все пять мультиспектральных камер оснащены КМОП-матрицей размером 1/2,9 дюйма и формируют изображения разрешением 2,08 Мп.

Автономные миссии планировали в программе DJI GS Pro. Высоту и скорость полета задавали равными соответственно 100,0 м и 10,0 м/с, что обеспечивало размер наземного элемента изображения (GSD) 0,059 м. Кроме того, был задан режим параллельного смещения с продольным перекрытием 80% и поперечным перекрытием 70%. Для получения опорных значений на этапе радиометрической коррекции изображений применяли калибровочную панель с известной яркостью. Панель фотографировали до и после каждого полета, чтобы уменьшить влияние изменений освещенности во время съемочной миссии и снизить неопределенность, связанную со сбором данных (Karila et al., 2022).

Для обеспечения точности географического позиционирования изображений наземные контрольные точки геопривязывали с помощью оборудования ГНСС. Для каждого загона закладывали пять контрольных точек (рис. 1c). Географические координаты каждой точки получали в реальном времени с помощью комплекта ГНСС Emlid Reach RS+ (Emlid, Гонконг, Китай), настроенного в режиме RTK со статическим модулем (базой) и мобильным модулем (ровером), с точностью ±1 см по широте и долготе и ±5 см по высоте. Полет БПЛА выполняли до разрушающего отбора биомассы; максимальный интервал между получением изображений и полевым отбором составлял 24 ч. Хотя такой интервал был обусловлен условиями эксплуатации коммерческой системы выпаса, все полеты БПЛА и разрушающие отборы проводились в рамках одного и того же периода управления и до любого нового выпаса в оцениваемых загонах. Тем не менее этот временной интервал признается ограничением, поскольку на пастбище возможны краткосрочные изменения среды и физиологического состояния растений, особенно при благоприятных условиях роста. В будущих схемах эксперимента следует предусматривать разрушающий отбор непосредственно после сенсорных измерений, чтобы улучшить временную синхронизацию данных дистанционного зондирования и полевых эталонных измерений. Полеты проводились с соблюдением всех требований органов управления воздушным пространством Бразилии в период с 10:00 до 14:00 (часовой пояс GMT−3), чтобы обеспечить максимальное солнечное облучение объекта.

Собранные отдельные мультиспектральные изображения обрабатывали в программе Agisoft Professional Edition версии 2.0.1 (Agisoft LLC, Санкт-Петербург, Россия) — инструменте, использующем метод Structure from Motion (SfM) для реконструкции трехмерной сцены. Основными продуктами обработки (рис. 3) были ортомозаики отдельных каналов и цифровая модель поверхности (ЦМП).

По пяти спектральным каналам ортомозаики рассчитывали 22 вегетационных индекса (табл. 1). Индексы выбирали с учетом документированной чувствительности к показателям структуры и питательной ценности пастбищ. Некоторые из них успешно применялись в исследованиях, посвященных оценке биомассы и качества кормов (Freitas et al., 2022; Karila et al., 2022; Karunaratne et al., 2020; Oliveira et al., 2020; Poley & J. McDermid, 2020), и обеспечивают комплексное представление спектрального отклика тропических пастбищ. Все расчеты выполняли в программе R версии 4.4.1 (R Core Team, 2021).

Таблица 1. Перечень вегетационных индексов, использованных при моделировании на основе синего (B), зеленого (G), красного (R), канала красного края (RE) и ближнего инфракрасного (NIR) каналов, с соответствующими уравнениями и источниками.

Модель высоты полога (МВП) использовали как структурную переменную, представляющую высоту пастбищного полога по фотограмметрическим продуктам, полученным с БПЛА. МВП рассчитывали вычитанием оценочной цифровой модели рельефа (ЦМР) из цифровой модели поверхности (ЦМП). В настоящем исследовании съемка обнаженной почвы отсутствовала, поскольку экспериментальная территория представляла собой сформировавшееся пастбище в условиях коммерческого ротационного выпаса. Поэтому ЦМР косвенно оценивали по ЦМП с помощью функции fieldInterpolate пакета FIELDimageR (Matias et al., 2020) в R. Эта функция интерполирует отметки рельефа по точкам, идентифицированным в ЦМП как обнаженная почва или низкая растительность.

Полученную МВП рассчитывали как разность ЦМП и интерполированной ЦМР, формируя относительную оценку высоты полога для каждого пикселя. Для каждой области интереса (ROI) извлекали максимальное значение МВП и использовали его как предиктор высоты полога в моделях машинного обучения. Однако поскольку независимая съемка обнаженного грунта, ЦМР на основе LiDAR и полевая валидация интерполированной ЦМР отсутствовали, МВП следует рассматривать как оценочный структурный предиктор, а не как независимо валидированное измерение высоты пастбища. Это ограничение может вносить неопределенность в оценку высоты полога и, следовательно, влиять на отбор переменных и показатели моделей, особенно при прогнозировании СВ, для которого МВП оказалась важным предиктором.

Обычно в исследованиях, где изображения с ДПВС высокого пространственного разрешения применяются для прогнозирования параметров пастбища, рассматривают средние спектральные значения пикселей области интереса (ROI). Эти значения могут включать спектральный отклик растений, почвы и теней, снижая качество данных и прогнозирующую способность модели. Chen и Wang (2022) показали, что при построении моделей прогнозирования концентрации азота у кукурузы, хлопчатника и пшеницы предпочтительнее использовать чистые пиксели полога.

Для выделения пикселей почвы и растительности применяли вегетационный индекс Excess Green (ExG) (Chen & Wang, 2022; Parker et al., 2020). По сравнению с другими ВИ ExG лучше выделяет растительность на фоне почвы (Woebbecke et al., 1995). Индекс рассчитывали по уравнению из табл. 1 и использовали при пороговой классификации изображения для разделения полога и почвы. Значения ExG ≥ 0,1 относили к пологу, а ExG < 0,1 — к почве (Parker et al., 2020). Качество классификации проверяли путем визуальной инспекции изображений. Полученные бинарные изображения использовали как маску для извлечения ЦМП, ортомозаик спектральных каналов и отдельных вегетационных индексов.

Область интереса каждой единицы отбора (0,25 м²) создавали инструментом буфера в QGIS на основе векторного слоя геопривязанных точек отбора (разд. 2.3). Спектральную информацию (каналы и ВИ) всех пикселей внутри каждой ROIизвлекали и представляли средним значением с помощью инструмента «Зональная статистика» в QGIS, тогда как данные высоты представляли максимальным значением МВП.

При извлечении переменных из изображений выполнялось агрегирование от масштаба пикселя к масштабу полевой пробы. Благодаря высокому пространственному разрешению изображений БПЛА каждая ROI содержала множество пикселей; среднюю отражательную способность пикселей полога использовали для представления спектрального отклика, связанного с соответствующей единицей отбора. Такой подход применяли для уменьшения шума на уровне пикселей и минимизации влияния отдельных аномальных пикселей. Однако поскольку полевые эталонные значения получали из объединенных проб корма, а спектральные переменные обобщали на уровне ROI, некоторое несоответствие масштабов между предикторами, извлеченными из изображений, и лабораторно измеренными характеристиками кормов могло сохраняться. Влияние смешанных пикселей на границах растительности, обнаженной почвы и теней минимизировали с помощью описанной в разд. 2.7 маски «почва — растительность», но полностью устранить его было невозможно. Потенциальная пространственная автокорреляция между близлежащими ROI явно не моделировалась; поэтому результаты следует интерпретировать как прогнозы на уровне точки/ROI, а не как формальный анализ пространственной зависимости.

Отбор переменных направлен на удаление избыточных или несущественных предикторов и формирование минимально возможного поднабора объясняющих переменных для построения моделей машинного обучения. Этот процесс не только облегчает калибровку, но и улучшает прогнозы (Freitas et al., 2022), предотвращает переобучение и уменьшает ошибки обобщения модели (Granitto et al., 2006).

Алгоритм RFE-RF (рекурсивное исключение признаков со случайным лесом) использовали как контролируемый метод отбора признаков для выявления наиболее значимых предикторов. Значимость признаков оценивали с помощью основанной на перестановках меры важности Random Forest, выраженной как процентное увеличение среднеквадратичной ошибки (%IncMSE). Эта метрика оценивает увеличение ошибки прогноза по не вошедшим в выборку наблюдениям (OOB) после случайной перестановки каждого предиктора (Granitto et al., 2006). Таким образом, переменные, перестановка которых сильнее увеличивала OOB MSE, считались более важными для прогноза модели. Процедуру RFE-RF реализовали с помощью пакета caret в R.

Всего в качестве входных данных моделей машинного обучения без отбора переменных (WS) и с RFE-RF, реализованным пакетом caret в R, использовали 29 объясняющих переменных. К ним относились спектральные каналы: синий (B), зеленый (G), красный (R), красный край (RE), ближний инфракрасный (NIR); вегетационные индексы (ВИ), рассчитанные по спектральным каналам (разд. 2.5.2); биометрические данные — высота полога в точке отбора; период отдыха, определяемый как интервал в днях между двумя периодами выпаса. Эту переменную получали вычитанием даты последнего дня выпаса животных в загоне из даты разрушающего отбора.

Для повышения воспроизводимости все объясняющие переменные, использованные на входе моделей машинного обучения, сведены в табл. 2 с указанием их источника, способа измерения или расчета и единицы измерения либо формы выражения.

Таблица 2. Объясняющие переменные, использованные как входные данные моделей машинного обучения.

Регрессионные модели на основе случайного леса (RF) (Breiman, 2001) были выбраны потому, что целью исследования являлось не сопоставление различных алгоритмов машинного обучения, а оценка возможности объединить полученные с БПЛА мультиспектральные данные, фотограмметрические переменные и сведения об управлении пастбищем для определения продуктивности и качества кормов в условиях тропического ротационного выпаса. RF выбран благодаря способности моделировать нелинейные зависимости, учитывать взаимодействия предикторов, снижать чувствительность к мультиколлинеарности спектральных каналов и вегетационных индексов и предоставлять показатели важности переменных, совместимые с процедурой RFE. Кроме того, RF широко применяется в исследованиях дистанционного зондирования пастбищ и продемонстрировал перспективные результаты при оценке биомассы и качества кормов, что позволяет сопоставлять результаты с профильной литературой (Freitas et al., 2022; Morais et al., 2021; Oliveira et al., 2020; Viljanen et al., 2018). Тем не менее исключительное применение RF признается ограничением исследования, поскольку выбор модели может влиять на прогнозную эффективность.

Алгоритм RF случайным образом выбирает для обучения поднабор приблизительно из двух третей исходных данных, тогда как остальные наблюдения исключаются из обучающей выборки и используются для OOB-оценки. При обучении в каждом узле случайным образом выбирается поднабор предикторов (mtry) для определения наилучшего разбиения. Алгоритм строит множество деревьев решений (ntree) и объединяет их прогнозы для повышения эффективности модели (Breiman, 2001). Гиперпараметры ntree и mtry настраивали методом случайного поиска, реализованным в пакете mlr в R. Пространство поиска задавали как ntree = 100–500 и mtry = 5–10. С учетом 29 объясняющих переменных, подаваемых на вход модели, интервал mtry выбирали так, чтобы охватить значения, близкие к распространенным опорным настройкам RF: приблизительно от √p до p/3, где p — число предикторов. Интервал ntree использовали для оценки эффективности модели при ограничении избыточной вычислительной нагрузки в повторных процедурах перекрестной валидации и RFE. Модели-кандидаты, полученные в ходе случайного поиска, оценивали с использованием стратегии перекрестной валидации, описанной в разд. 2.11, а окончательную модель выбирали по совместной оценке R², RMSE, MAE и dᵣ. Хотя эта стратегия настройки позволила систематически корректировать основные гиперпараметры RF, мы признаем, что более широкие пространства поиска или более совершенные стратегии оптимизации, например байесовская оптимизация, могли бы дополнительно улучшить эффективность модели и должны рассматриваться в будущих исследованиях.

При калибровке моделей RF применяли две стратегии валидации. Первой была k-блочная перекрестная валидация, при которой наблюдения делили на 10 блоков, что позволяло поочередно обучать и валидировать модель. Второй стратегией была перекрестная валидация с исключением одной даты (Leave-One-Date-Out Cross-Validation, LOOCV), примененная для проверки работы модели в климатических условиях, отличных от использованных при обучении. При таком подходе модели обучали на данных двух дат отбора, а проверяли на оставшейся дате, не включенной в калибровку. Процедуру повторяли до тех пор, пока все даты отбора в соответствующие сезоны (февраль, апрель и октябрь) поочередно не были использованы как обучающие и тестовые наборы. В отличие от k-блочной перекрестной валидации, LOOCV обеспечивает независимую оценку способности модели к обобщению между различными сезонами.

Лучшее уравнение на этапе калибровки модели выбирали одновременно по максимальному коэффициенту детерминации (R²), минимальной среднеквадратичной ошибке (RMSE), минимальной средней абсолютной ошибке (MAE) и индексу согласия (dᵣ) (Willmott et al., 2012), описанным соответственно уравнениями 1–4.

R² = 1 − [Σᵢ₌₁ⁿ(yᵢ − ŷᵢ)²] / [Σᵢ₌₁ⁿ(yᵢ − ȳ)²] (1)

RMSE = √{[Σᵢ₌₁ⁿ(yᵢ − ŷᵢ)²] / n} (2)

MAE = (1/n)Σᵢ₌₁ⁿ|yᵢ − ŷᵢ| (3)

dᵣ = 1 − [Σᵢ₌₁ⁿ|ŷᵢ − yᵢ|] / [2Σᵢ₌₁ⁿ|yᵢ − ȳ|] (4)

где yᵢ — наблюдаемое значение, ŷᵢ — прогнозируемое значение, ȳ — среднее наблюдаемых значений, n — общее число наблюдений.

Эффективность моделей интерпретировали на основе совместной оценки R², RMSE, MAE и dᵣ. Если R² показывает долю дисперсии, объясняемой моделью, то dᵣ характеризует согласованность наблюдаемых и прогнозируемых значений. Поэтому высокие значения R² сами по себе не интерпретировали как свидетельство высокой прогнозной способности, если метрики согласия указывали на ограниченное соответствие.

Лучшую модель, полученную при перекрестной валидации, использовали для пространственного представления сухого вещества, сырого протеина и нейтрально-детергентной клетчатки пастбища. При таком подходе высоту полога, полученную с ДПВС, а также спектральные каналы и вегетационные индексы рассматривали попиксельно. Для этого этапа выбрали три загона исследуемой территории со сходными условиями управления, включая азотное удобрение, агротехнические приемы и период отдыха, различавшиеся только сроком оценки.

Карты пространственного прогноза строили с использованием наиболее эффективных моделей для визуализации прогнозируемого пространственного распределения СВ, СП и НДК на уровне загона. Однако независимая валидация на уровне карты и оценка неопределенности на уровне пикселей не проводились. Поэтому карты интерпретировали как исследовательские пространственные результаты, а не как полностью валидированные продукты поддержки принятия решений.

Статистические различия между месяцами отбора оценивали отдельно для СВ, СП и НДК. До выбора статистического критерия распределение данных и однородность дисперсий проверяли соответственно критериями Шапиро—Уилка и Левена. Поскольку предпосылки параметрического дисперсионного анализа выполнялись не всегда, а число проб по месяцам различалось (февраль: n = 70; апрель: n = 90; октябрь: n = 30), различия между месяцами оценивали непараметрическим критерием Краскела—Уоллиса. При выявлении значимых различий попарные сравнения проводили апостериорным критерием Неменьи. Этот критерий применяли для контроля множественных попарных сравнений ранжированных данных. Статистически значимым считали p < 0,05.

Временная изменчивость пастбища наблюдалась по всем показателям; средние значения статистически различались (p < 0,05) (табл. 3). Продуктивность сухого вещества значительно снизилась между периодами: среднее значение уменьшилось с 4119 кг га⁻¹ в апреле до 2939 кг га⁻¹ в октябре. Во все оцениваемые периоды отмечалась высокая неоднородность, на что указывали высокие коэффициенты вариации (CV > 20%). Содержание СП также изменялось во времени: среднее изменилось на 1,9%, максимум — на 3%, минимум — на 2%, что обусловило умеренно высокие CV (20–34%). Напротив, значения НДК во все месяцы были сосредоточены около среднего (CV < 5%), при этом апрель статистически отличался от остальных периодов (табл. 3).

Таблица 3. Описательная статистика эталонных проб СВ, СП и НДК по месяцам отбора.

Разные буквы обозначают значимые различия между месяцами по критерию Краскела—Уоллиса с последующими попарными апостериорными сравнениями Неменьи при p < 0,05.

*Разные буквы указывают, что средние значения показателей значимо отличаются друг от друга при уровне значимости p < 0,05.

Общее прогнозирование СВ, СП и НДК моделями RFE-RF при перекрестной валидации продемонстрировало неодинаковое поведение различных метрик оценки (рис. 5). Модель СВ показала наилучшую эффективность среди оцениваемых переменных: R² = 0,74, RMSE = 723 кг га⁻¹ и MAE = 533 кг га⁻¹. Однако индекс согласия был умеренным/ограниченным (dᵣ = 0,38), поэтому коэффициент детерминации не следует рассматривать сам по себе как свидетельство высокой прогнозной способности. Для СП и НДК при R², равных соответственно 0,48 и 0,56, очень низкие значения dᵣ (0,03 и 0,15) указывали на слабое соответствие наблюдаемых и прогнозируемых значений. Поэтому прогнозную эффективность моделей интерпретировали на основе совместного анализа R², RMSE, MAE и dᵣ.

Рис. 5. Диаграммы рассеяния значений, прогнозируемых моделями RFE-RF, и наблюдаемых значений сухого вещества (a), сырого протеина (b) и нейтрально-детергентной клетчатки (c).

Переменные ранжировали по их относительной важности в моделях RFE-RF (рис. 6). Для графического представления значения важности нормировали относительно наиболее значимого предиктора каждой модели, которому присваивали 100%. Таким образом, наиболее влиятельными переменными были высота полога для СВ, хлорофилльный вегетационный индекс (CVI) для СП и нечувствительный к структуре пигментный индекс (SIPI) для НДК. Эти значения следует интерпретировать как относительный рейтинг вклада предикторов, а не как процент дисперсии модели, объясняемый каждой переменной. Период отдыха был выбран как важная переменная для всех трех показателей пастбища, что подчеркивает значимость включения управленческой информации в моделирование.

Применение метода отбора переменных RFE привело лишь к небольшим различиям R² по сравнению с моделями без отбора признаков (WS). Эффективность моделей WS была немного ниже, чем RFE: различия R² составили 0,04, 0,01 и 0,02 для СВ, СП и НДК соответственно. Метрики RMSE и MAE также были сходными: ошибки прогнозирования были выше у моделей WS и ниже у RFE (табл. 4).

Рис. 6. Относительная важность (%) объясняющих переменных для моделей RFE-RF сухого вещества (a), сырого протеина (b) и нейтрально-детергентной клетчатки (c). Значения важности нормированы относительно наиболее важного предиктора каждой модели, принятого равным 100%.

Таблица 4. Статистические метрики коэффициента регрессии (R²), среднеквадратичной ошибки (RMSE) и средней абсолютной ошибки (MAE) для моделей RF с RFE и без отбора переменных (WS) при моделировании СВ, СП и НДК.

ᵃ Единица измерения — кг га⁻¹; ᵇ, ᶜ — проценты (%). Метрики RMSE и MAE выражены в единицах соответствующих показателей.

Несмотря на сходство эффективности и результатов оценки моделей RFE и WS, число переменных, использованных при построении моделей, существенно различалось. В моделях WS применяли все 30 переменных, тогда как алгоритм RFEвыбрал оптимальные поднаборы из 10, 20 и 10 признаков соответственно для СВ, СП и НДК. Это обеспечило более интерпретируемые модели, менее склонные к переобучению, и вычислительный выигрыш, особенно при работе с изображениями и продуктами датчиков высокого пространственного разрешения, требующими значительных вычислительных ресурсов.

Прогнозы оценок различались в зависимости от периода независимой валидации. На этапе независимой валидации отмечалось снижение эффективности (R²) и точности (dᵣ) моделей, особенно для качественных показателей СП и НДК: эффективность была ниже R² < 0,20, а ошибки RMSE и MAE увеличились (рис. 7). Результаты LOOCV были лучше для СВ. Модель «октябрь + апрель» дала R² = 0,66 и RMSE = 1260 кг га⁻¹, что было близко к модели «февраль + октябрь» (R² = 0,59; RMSE = 1452 кг га⁻¹) и заметно отличалось от модели «апрель + февраль» (R² = 0,18; RMSE = 754 кг га⁻¹). Такое кажущееся противоречие между R² и RMSE объясняется различной природой этих метрик. RMSE представляет абсолютную ошибку прогноза в исходных единицах, тогда как R² зависит от дисперсии и диапазона валидационного набора. Поэтому меньшая RMSE необязательно означает более высокую чувствительность или объясняющую способность модели, если диапазон наблюдаемых значений валидационной выборки уже. Во всех сочетаниях тестовых и обучающих периодов обращало на себя внимание значительное рассеяние оценочных значений относительно наблюдавшихся значений СП и НДК, что свидетельствовало о низкой прогнозирующей способности моделей при таком способе валидации. Для СП эффективность не превышала R² < 0,2, а ошибки были высокими (RMSE > 1,54; MAE > 2,24). Аналогично, НДК оценивалась с низкой точностью: R² было менее 0,11, а ошибки RMSE и MAE в сочетании «февраль + октябрь» достигали соответственно 5,22 и 4,25%. Отрицательное значение dᵣ для этого сочетания (dᵣ = −0,53) указывает на крайне слабое согласие наблюдаемых и прогнозируемых значений и означает, что при независимой валидации по датам модель не смогла воспроизвести временной характер НДК (рис. 7).

Рис. 7. Диаграммы рассеяния прогнозируемых и наблюдаемых значений СВ, СП и НДК, полученных RFE-RF при LOOCV-валидации для периодов, не включенных в этап калибровки.

Временные тенденции февраля, апреля и октября анализировали с помощью диаграмм размаха, показывающих наблюдаемые и прогнозируемые моделью RF значения СВ (рис. 8a), СП (рис. 8b) и НДК (рис. 8c). В целом можно сделать два ключевых наблюдения: (i) средние наблюдаемых и прогнозируемых значений были весьма сходными, что указывало на хорошую работу модели RF; (ii) самые высокие значения СВ, СП и НДК отмечались в апреле, а самые низкие — в октябре, что выявило сезонную тенденцию снижения производства и качества пастбища.

Рис. 8. Сравнение наблюдаемых и прогнозируемых значений (Random Forest) для (a) СВ (кг га⁻¹), (b) СП (%) и (c) НДК (%) в феврале, апреле и октябре.

Карты пространственных прогнозов были построены для выбранных репрезентативных загонов с целью исследовательской визуализации прогнозируемого распределения СВ, СП и НДК на уровне загона (рис. 9). Поскольку независимая валидация на уровне карты и оценка неопределенности на уровне пикселей не проводились, эти карты следует интерпретировать как исследовательские результаты, иллюстрирующие возможные пространственные закономерности, а не как полностью валидированные продукты поддержки принятия решений. В целом прогнозируемые пространственные закономерности соответствовали временным тенденциям оценок моделей (рис. 8): в октябре продуктивность и питательная ценность кормов были ниже, а в апреле и феврале отмечались соответственно более высокая продуктивность и более высокое качество.

В сезонный неблагоприятный период (октябрь) обеспеченность СВ была низкой (<2400 кг га⁻¹; рис. 9g), как и питательная ценность: СП было ниже 6,0% (рис. 9h), а НДК — выше 72% (рис. 9i). Наблюдавшаяся в поле неоднородность пастбища была подтверждена и отображена картами внутри каждого загона. В феврале выявлены зоны высокой продуктивности и качества пастбища, представленные выделенными участками на рис. 9a, b и c. Средние значения в этих зонах достигали 4046 кг га⁻¹ сухого вещества, 9,5% сырого протеина и 72% нейтрально-детергентной клетчатки. Визуально пространственная изменчивость СП и СВ оставалась выше, чем НДК. В поведении показателей прослеживалась тенденция, при которой более высокая доступность СВ также сопровождалась более высоким содержанием СП и НДК. Напротив, на участках с меньшей доступностью СВ эта тенденция для концентраций питательных компонентов выражена не была.

Рис. 9. Карты СВ (кг га⁻¹), СП (%) и НДК (%), оцененных моделями RFE в феврале (a, b, c), апреле (d, e, f) и октябре (g, h, i), для трех загонов со сходными условиями управления.

Моделирование показало более высокую эффективность моделей, использовавших RFE: этот метод вдвое сократил число входных переменных и обеспечил лучшие значения R², RMSE, MAE и dᵣ. Morais et al. (2021) указывают, что медианное R² в работах, использовавших от 10 до 20 переменных, выше, чем в работах с 30 и более объясняющими признаками; это наблюдалось и в настоящем исследовании. Более низкая эффективность моделей WS может быть связана с избыточностью переменных (Alvarez-Mendoza et al., 2022; Freitas et al., 2022). Такое поведение согласуется с недавними обзорами, согласно которым отбор переменных и снижение размерности являются важными этапами моделирования пастбищ по данным дистанционного зондирования, особенно когда алгоритмы машинного обучения применяются к спектральным каналам, вегетационным индексам и структурным переменным, полученным по изображениям БПЛА (Bazzoet al., 2023; Morais et al., 2021; Shahi et al., 2025).

В других опубликованных исследованиях модели оценки СВ, основанные на объединении данных о высоте полога, мультиспектральных данных и ВИ, также демонстрировали хорошие результаты (Karunaratne et al., 2020). Объединение внешних данных с данными ДПВС может улучшать модели, поскольку предоставляет информацию о стадии развития растения (Morais et al., 2021), например о зрелости (Dvorak et al., 2021; Minch et al., 2021). Период отдыха оказался важной переменной моделирования, поскольку он связан с развитием полога, в ходе которого изменяются питательная ценность и продуктивность (Adar et al., 2023).

Индексы SIPI и CVI оказались важными предикторами СП и НДК, поскольку они коррелируют с содержанием хлорофилла и растительными клетками (Hernandez et al., 2024; Penuelas et al., 1995). Согласно Pullanagari et al. (2012), видимый диапазон (500–750 нм) и NIR (800–1000 нм) являются основными спектральными диапазонами, коррелирующими с СП и НДК. Отражательная способность в видимом диапазоне непосредственно связана с фотосинтетическими пигментами, такими как хлорофилл a, хлорофилл b и каротиноиды (Penuelas et al., 1995; Vincini et al., 2008). Область NIRсвязана со структурой листьев растений; по мере развития полога ВИ хорошо коррелируют с сухим веществом (Poley & J. McDermid, 2020).

Результаты перекрестной валидации прогноза продуктивности СВ были сходны с результатами других работ, в которых использовались данные дистанционного зондирования, полученные с ДПВС, и алгоритмы машинного обучения. Oliveira etal. (2021) использовали RGB-датчик для прогноза общего СВ гвинейской травы и получили показатели R от 0,60 до 0,76 и RMSE от 500 до 4000 кг га⁻¹, тогда как Freitas et al. (2022) сообщили R² = 0,70 и RMSE 520 кг га⁻¹ при использовании текстурных метрик и вегетационных индексов. Хотя значения R² выше 0,70 указывались как свидетельство хорошей эффективности оценки СВ с применением ДПВС (Poley & J. McDermid, 2020), в настоящем исследовании эффективность модели необходимо интерпретировать по совокупному поведению всех оценочных метрик.

Расхождение между R² и dᵣ указывает, что модели, особенно для СВ, могли улавливать часть относительной изменчивости наблюдаемых данных, но при этом демонстрировали ограниченное согласие абсолютных прогнозов. Это различие важно, поскольку R² преимущественно отражает связь между наблюдаемыми и прогнозируемыми значениями, а dᵣболее чувствителен к согласованности двух наборов данных. Поэтому, хотя СВ показало наилучшую эффективность среди оцениваемых показателей, прогнозную способность модели следует считать перспективной, но все еще ограниченной умеренным индексом согласия. Для СП и НДК низкие значения dᵣ дополнительно подтверждают ограниченную надежность моделей количественного прогнозирования питательной ценности кормов в изученных условиях.

Результаты моделирования качества пастбищ, представленные в литературе, разнообразны и трудно сопоставимы, поскольку различаются кормовые виды, авиационные датчики (гиперспектральные, мультиспектральные, RGB), трехмерные данные и высота полета. Недавние обзоры также подчеркивают, что такие показатели качества кормов, как СП и НДК, обычно прогнозировать труднее, чем переменные, связанные с биомассой: они зависят от физиологического состояния растений, структуры полога, видового состава, сезонных условий и косвенной природы спектрального отклика, связанного с питательными признаками (Fernandes et al., 2023; Furnitto et al., 2025; Morais et al., 2021; Shahi et al., 2025). Ранее об этом также сообщали Michez et al. (2020). Кроме того, исследований качества тропических пастбищ с использованием авиационных датчиков немного, особенно в условиях Бразилии (Fernandes et al., 2023).

Модели настоящего исследования показали эффективность, сопоставимую с моделью СП Barnetson et al. (2020) (R² < 0,50), построенной по изображениям ДПВС. Более высокие результаты получены при использовании орбитальных изображений для прогноза СП (R² = 0,66) и НДК (R² = 0,57) (Fernandes et al., 2024). Концентрации питательных компонентов прогнозировались с высокой точностью (R² > 0,70) по гиперспектральным данным (Geipel et al., 2021) и мультиспектральным изображениям в сочетании с фотограмметрией ДПВС (R² > 0,80) (Minch et al., 2021; Oliveira et al., 2020). Во всех случаях авторы связывали высокую эффективность с корреляцией хлорофилла и определенных длин волн области красного края.

Неоднородность пастбища, обусловленная неравномерным выпасом и избирательностью животных, повышает нерегулярность спектрального отклика (Blanco-Barrientos et al., 2025), что, вероятно, внесло вклад в наблюдавшиеся ошибки прогнозирования. В неоднородных загонах спектральный сигнал каждой ROI может представлять разные соотношения зеленых листьев, стеблей, стареющего материала, теней и обнаженной почвы, снижая согласованность между предикторами, извлеченными из изображений, и лабораторно измеренными характеристиками кормов. Этот эффект был особенно существенен для СП и НДК, связь которых с отражательной способностью полога является косвенной и сильнее зависит от физиологических и структурных характеристик кормостоя. Напротив, СВ прогнозировалось лучше, поскольку основным предиктором была высота полога, более непосредственно связанная с накоплением кормовой массы. Ограничения датчика также могли способствовать структуре ошибок на валидационных диаграммах рассеяния, особенно при плотном пологе до выпаса, когда возможно спектральное насыщение, и при разреженном пологе после выпаса, когда на отражательную способность могут влиять фон почвы и тени. Эти факторы помогают объяснить слабые значения согласия и структуру ошибок, наблюдавшуюся главным образом для показателей качества кормов.

Результаты метода LOOCV преимущественно указывали на неточные оценки качества пастбищ и выявили ограниченную временную переносимость моделей. Небольшое число полевых эталонных проб и различия распределений СВ, СП и НДК между периодами отбора влияли на обучение моделей и результаты валидации, приводя к высокой RMSE и низким R². Октябрь особенно сильно повлиял на эффективность моделей, поскольку в этот период было отобрано лишь 30 проб и отмечались наибольшие различия концентраций СП и НДК и продуктивности СВ. Кажущаяся несогласованность некоторых метрик LOOCV, например меньшая RMSE при меньшем R², объясняется тем, что эти показатели оценивают различные аспекты эффективности модели. RMSE выражает абсолютную ошибку прогноза в исходной единице, тогда как R² сильно зависит от дисперсии и диапазона валидационного набора. Поэтому более низкая RMSE необязательно означает более высокую чувствительность модели, если диапазон наблюдаемых значений валидационной выборки уже.

Отрицательное dᵣ для НДК в одном сочетании LOOCV указывает на крайне слабое согласие наблюдаемых и прогнозируемых значений и означает, что при независимой валидации по датам модель не смогла воспроизвести временную закономерность этой переменной. Диаграммы рассеяния также показали, что валидационные точки часто не соответствовали тенденции калибровки и линии 1:1, нередко образуя линии с малым наклоном или почти горизонтальные закономерности. Это указывает на низкую чувствительность модели при применении к независимым датам отбора и предполагает сдвиг домена между обучающим и валидационным наборами. Вероятно, этот сдвиг был связан с несбалансированностью отбора по датам и сезонными изменениями структуры и питательного состава пастбища. В отличие от более однородных кормовых систем, для тропических пастбищ с ротационным выпасом характерны быстрое отрастание, неравномерный выпас, изменчивая структура полога и выраженные сезонные изменения накопления биомассы и качества корма (Euclides et al., 2014; Sbrissia et al., 2020). Эти условия могут изменять спектральный отклик и снижать переносимость моделей между датами отбора, особенно для таких показателей питательной ценности, как СП и НДК, косвенно связанных с отражательной способностью полога (Fernandes et al., 2023; Morais et al., 2021; Poley & McDermid, 2020; Shahi et al., 2025). Поэтому результаты LOOCV следует рассматривать не как свидетельство эксплуатационной устойчивости, а как указание на текущие ограничения переноса моделей на основе данных БПЛА между контрастными условиями тропических пастбищ.

По данным Karila et al. (2022), малое число наблюдений может быть недостаточным для обучения алгоритма, что снижает эффективность при независимой валидации. Однако в настоящем исследовании ограничение было связано не только с общим числом проб, но и с дисбалансом между датами отбора и временным сдвигом распределений обучающего и валидационного наборов. Недостаточная представленность октября, когда было меньше проб и более контрастные значения СВ, СП и НДК, вероятно, ограничила способность моделей RF изучить весь диапазон сезонных условий пастбища. Этот дисбаланс снижал устойчивость модели, когда валидационный период характеризовался пологом и питательным составом, недостаточно представленными при калибровке. Morais et al. (2021) также сообщили, что точность моделей имеет тенденцию возрастать при использовании более крупных и репрезентативных наборов данных. В связи с этим в будущих исследованиях могут быть полезны альтернативные алгоритмы, например машины опорных векторов (SVM), поскольку они способны эффективно работать с многомерными наборами при ограниченном числе проб, максимизируя отступ между наблюдениями и контролируя сложность модели посредством регуляризации. При малой, несбалансированной или недостаточно репрезентативной калибровочной выборке это свойство может уменьшать переобучение по сравнению с ансамблями деревьев. Однако эту гипотезу следует проверить в будущих исследованиях на сбалансированных сезонных наборах с независимой временной валидацией.

Как показано выше (табл. 4; рис. 8), доступность СВ и показатели качества СП и НДК значительно изменялись во времени. Наибольшая продуктивность отмечалась летом и в конце весны — в период высоких температур и осадков, обеспечивающих более интенсивный прирост тканей. Напротив, умеренные температуры и малое количество осадков осенью, зимой и в начале весны связаны со снижением интенсивности фотосинтеза и накопления кормовой массы (Sbrissiaet al., 2020).

Freitas et al. (2022) выявили временную и пространственную изменчивость надземной биомассы на смешанном пастбище; наибольшая продуктивность наблюдалась в ноябре, когда климатические условия оптимальны для роста пастбища (Euclides et al., 2014). Временная тенденция СВ в настоящем исследовании была сходна с результатами Freitas etal. (2022), а пространственная тенденция — с результатами Barnetson et al. (2020), которые отметили более выраженную пространственную структуру СП по сравнению с содержанием клетчатки.

Поскольку потребность крупного рогатого скота в питательных веществах остается стабильной во времени, возникает дисбаланс между количеством и качеством кормов и потребностью в питательных веществах. Для минимизации этой проблемы необходимо контролировать и балансировать управление пастбищами, планировать эффективное использование загонов и правильное управление пастбищем летом, а также применять стратегии кормовых добавок зимой (Euclides et al., 2014). Таким образом, эмпирические модели, полученные с помощью датчиков на борту ДПВС, могут обеспечивать частые и менее затратные измерения при мониторинге качественных и количественных показателей пастбища. Кроме того, они позволяют выявлять пространственные закономерности СВ, СП и НДК на территории и создают возможности для применения точного земледелия, виртуальных ограждений, ошейников слежения и технологий обеспечения благополучия животных (Oliveira et al., 2020; Wróbel et al., 2023).

Хотя результаты демонстрируют потенциал мультиспектральных и фотограмметрических данных БПЛА для мониторинга пастбищ, следует учитывать ряд ограничений. Во-первых, схема отбора проб была ограничена эксплуатационными условиями коммерческой системы ротационного выпаса. Отбор осуществлялся в соответствии с доступностью загонов во время полевых кампаний, что привело к неравному числу проб по датам, особенно в октябре. Этот дисбаланс ограничил временную сопоставимость и повлиял на устойчивость моделей при валидации с исключением одной даты. В будущих исследованиях следует отдавать приоритет более сбалансированному и стратифицированному отбору по сезонам, стадиям выпаса и условиям управления для улучшения способности моделей к обобщению.

Во-вторых, максимальный интервал между съемкой БПЛА и разрушающим отбором составлял 24 ч. Хотя все измерения проводили в рамках одного периода управления и до любого нового выпаса, за это время могли произойти краткосрочные физиологические и средовые изменения, особенно при благоприятных условиях роста. В будущих экспериментальных схемах следует предусматривать разрушающий отбор непосредственно после сенсорных измерений для улучшения синхронизации предикторов, полученных по изображениям, и полевых эталонных данных.

В-третьих, МВП получали по ЦМП и интерполированной ЦМР, основанной на точках обнаженной почвы или низкой растительности, что было необходимо из-за отсутствия съемки обнаженной почвы на пастбищной территории. Однако независимая валидация ЦМР, сопоставление с полевыми измерениями высоты и распространение неопределенности на уровне пикселей не проводились. Поскольку МВП была важным предиктором СВ, неопределенность интерполяции рельефа могла влиять на оценку высоты полога, отбор переменных и эффективность моделей. В будущих исследованиях следует валидировать полученную с БПЛА МВП посредством независимых полевых измерений высоты, моделей рельефа LiDAR, наземной топографической съемки или повторных полетов при контрастных состояниях полога.

В-четвертых, необходимо учитывать масштабные эффекты между пикселями БПЛА, агрегированием на уровне ROI и полевыми эталонными пробами. Спектральные каналы и вегетационные индексы извлекали как средние значения внутри каждой ROI, тогда как лабораторные эталонные данные получали из объединенных проб корма. Хотя применение масок полога и зональной статистики уменьшило влияние отдельных смешанных пикселей, эта процедура может сглаживать мелкомасштабную неоднородность и не устраняет полностью влияние смешанных пикселей, теней, обнаженной почвы или пространственной автокорреляции между близлежащими единицами отбора. В будущих исследованиях следует прямо оценивать стратегии агрегирования «пиксель — делянка», пространственную автокорреляцию и распространение неопределенности между масштабами.

В-четвертых, в исследовании применялся исключительно алгоритм RF и сравнительный анализ с другими методами машинного обучения не выполнялся. Поэтому результаты следует интерпретировать не как свидетельство того, что RFявляется наиболее подходящим алгоритмом для данной задачи, а как оценку одного широко используемого подхода моделирования в условиях тропических пастбищ. В будущих исследованиях следует сравнить RF с альтернативными алгоритмами, такими как SVM, PLSR, XGBoost и методы регуляризованной регрессии, особенно для малых и несбалансированных по времени наборов данных. Необходимо также оценить более широкие пространства гиперпараметров и более совершенные стратегии оптимизации, например байесовскую оптимизацию или вложенную перекрестную валидацию, чтобы повысить сопоставимость моделей и снизить риск выбора субоптимальных конфигураций.

В-пятых, карты пространственных прогнозов следует интерпретировать как исследовательские результаты. Независимая валидация на уровне карты, оценка неопределенности на уровне пикселей и анализ пространственной зависимости на основе семивариограмм не проводились. Поэтому карты нельзя считать полностью валидированными продуктами поддержки принятия решений. С практической точки зрения они могут способствовать выявлению возможных закономерностей продуктивности и питательной ценности пастбища внутри загонов и служить основанием для целевых полевых обследований и дополнительного отбора проб. Однако использовать их для оперативного управления пастбищем и точного земледелия следует осторожно, особенно применительно к СП и НДК, для которых отмечены более низкое согласие и более слабое временное обобщение.

В целом результаты показывают, что мониторинг с применением БПЛА может поддерживать управление пастбищами, предоставляя пространственно детализированную информацию о состоянии кормостоя, особенно для переменных, связанных с биомассой. Однако с учетом неопределенностей временной переносимости, несбалансированности отбора, построения МВП, валидации на уровне карт и исключительного применения RF в настоящее время эти модели следует использовать как дополнительные инструменты, а не как замену полевым и лабораторным измерениям.

При перекрестной валидации модель прогнозирования СВ продемонстрировала наилучшую эффективность среди оцениваемых переменных; однако ее прогнозную способность следует интерпретировать осторожно из-за умеренного индекса согласия. Для СП и НДК отмечены более низкое согласие и ограниченная временная переносимость, особенно при валидации с исключением одной даты, что свидетельствует о сохраняющейся сложности прогнозирования питательной ценности кормов в динамичных условиях тропических пастбищ.

Исследовательские карты иллюстрируют возможные пространственные закономерности СВ, СП и НДК на уровне загона, но из-за отсутствия независимой валидации на уровне карты и оценки неопределенности их нельзя интерпретировать как полностью валидированные продукты поддержки принятия решений. В целом мультиспектральные и фотограмметрические данные БПЛА в сочетании с машинным обучением могут предоставлять полезную дополнительную информацию для мониторинга пастбищ, особенно для переменных, связанных с биомассой; однако до практического применения необходимы дальнейшие исследования со сбалансированным сезонным отбором, независимой валидацией, сравнением алгоритмов и оценкой неопределенности.

Авторы благодарят Фонд сельскохозяйственных исследований имени Луиса де Кейроса (Luiz de Queiroz AgriculturalStudies Foundation, FEALQ) за финансирование публикации настоящей работы; компанию Galop Farms — за финансирование части исследовательского проекта и предоставление экспериментальной территории; Координацию по совершенствованию кадров высшего образования Бразилии (CAPES), код финансирования 001.

Caron, ML: методология, концептуализация, исследование, формальный анализ, написание — первоначальный вариант. Silva, CAAC: концептуализация, формальный анализ, написание — первоначальный вариант. Rizzo, R: методология, формальный анализ, программное обеспечение, написание — рецензирование и редактирование. Oliveira, AKS: написание — первоначальный вариант, исследование, методология. Pedreira, CGS: методология, концептуализация, написание — рецензирование и редактирование. Yang, B: написание — рецензирование и редактирование. Fiorio, PF: написание — рецензирование и редактирование, руководство проектом, методология, привлечение финансирования, концептуализация.

Плата за обработку статьи (APC) при публикации настоящего исследования была профинансирована Координацией по совершенствованию кадров высшего образования — Бразилия (CAPES) (идентификатор ROR: 00x0ma614).

Не применимо.

Авторы заявляют об отсутствии конкурирующих интересов.

Настоящая статья распространяется на условиях Международной лицензии Creative Commons Attribution 4.0, которая разрешает использование, совместное использование, адаптацию, распространение и воспроизведение на любом носителе и в любом формате при условии надлежащего указания авторства первоначального автора (авторов) и источника, предоставления ссылки на лицензию Creative Commons и указания внесенных изменений. Изображения и иные материалы третьих лиц, содержащиеся в статье, включены в лицензию Creative Commons статьи, если в подписи к соответствующему материалу не указано иное. Если материал не включен в лицензию Creative Commons статьи и предполагаемое использование не разрешено законодательством либо выходит за пределы разрешенного использования, необходимо получить разрешение непосредственно у правообладателя. Текст лицензии доступен по адресу: http://creativecommons.org/licenses/by/4.0/.

ABIEC (2024). Beef Report. In https://www.abiec.com.br/en/publicacoes/beef-report-2024-brazilian-beef-pr ofile/. https://www.abiec.com.br/publicacoes/beef-report-2024-perfil-da-pecuaria-no-brasil/

Adar, S., Sternberg, M., Argaman, E., Henkin, Z., Dovrat, G., Zaady, E., & Paz-Kagan, T. (2023). Testing a novel pasture quality index using remote sensing tools in semiarid and Mediterranean grasslands. Agriculture Ecosystems & Environment, 357, 108674. https://doi.org/10.1016/j.agee.2023.108674

Aebischer, P., Sutter, M., Birkinshaw, A., Nussbaum, M., & Reidy, B. (2024). Herbage biomass predictions from UAV data using a derived digital terrain model and machine learning. Grass and Forage Science, 79(4), 530–542. https://doi.org/10.1111/gfs.12694

Ali, I., Cawkwell, F., Dwyer, E., Barrett, B., & Green, S. (2016). Satellite remote sensing of grasslands: from observation to management. Journal of Plant Ecology, 9(6), 649–671. https://doi.org/10.1093/jpe/rtw 005 Alvarez-Mendoza, C. I., Guzman, D., Casas, J., Bastidas, M., Polanco, J., Valencia-Ortiz, M., Montenegro,

F., Arango, J., Ishitani, M., & Selvaraj, M. G. (2022). Predictive Modeling of Above-Ground Biomass in Brachiaria Pastures from Satellite and UAV Imagery Using Machine Learning Approaches. Remote Sensing, 14(22), 5870. https://doi.org/10.3390/rs14225870

AOAC - Association of official agricultural chemists, A (2005). Official Methods of Analysis. Dumas method (990.03). 15th edition.

Barnetson, J., Phinn, S., & Scarth, P. (2020). Estimating Plant Pasture Biomass and Quality from UAV Imaging across Queensland’s Rangelands. AgriEngineering, 2(4), 523–543. https://doi.org/10.3390/agrieng inee rin g2040035

Bazzo, C. O. G., Kamali, B., Hütt, C., Bareth, G., & Gaiser, T. (2023). A Review of Estimation Methods for Aboveground Biomass in Grasslands Using UAV. Remote Sensing, 15(3), 639. https://doi.org/10.3390 /rs15030639

Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, M. L., & Bareth, G. (2015). Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley. International Journal of Applied Earth Observation and Geoinformation, 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012

Blanco-Barrientos, M., Rojas-Downing, M., Rojas-González, A., & Elizondo-Salazar, J. (2025). Estimating dry matter in African stargrass (Cynodon nlemfuensis) forage with in-field hyperspectral proximal sensing. Smart Agricultural Technology, 10, 100731. https://doi.org/10.1016/j.atech.2024.100731

Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:10109334 04324 Castro, W., Marcato Junior, J., Polidoro, C., Osco, L. P., Gonçalves, W., Rodrigues, L., Santos, M., Jank, L.,

Barrios, S., Valle, C., Simeão, R., Carromeu, C., Silveira, E., de Jorge, L. A. C., & Matsubara, E. (2020). Deep Learning Applied to Phenotyping of Biomass in Forages with UAV-Based RGB Imagery. Sensors (Basel, Switzerland), 20(17), 4802. https://doi.org/10.3390/s20174802

Chen, P., & Wang, F. (2022). Effect of crop spectra purification on plant nitrogen concentration estimations performed using high-spatial-resolution images obtained with unmanned aerial vehicles. Field Crops Research, 288, 108708. https://doi.org/10.1016/j.fcr.2022.108708

R Core Team (2021). R: A Language and Environment for Statistical Computing. https://www.R-project.org/

Dvorak, J. S., Pampolini, L. F., Jackson, J. J., Seyyedhasani, H., Sama, M. P., & Goff, B. (2021). Predicting Quality and Yield of Growing Alfalfa from a UAV. Transactions of the ASABE, 64(1), 63–72. https://d oi.org/10.13031/trans.13769

Euclides, V. P. B., Montagner, D. B., Barbosa, R. A., & Nantes, N. N. (2014). Manejo do pastejo de cultivares de Brachiaria brizantha (Hochst) Stapf e de Panicum maximum Jacq. Revista Ceres, 61(suppl), 808–818. https://doi.org/10.1590/0034-737x201461000006

Falkowski, M. J., Gessler, P. E., Morgan, P., Hudak, A. T., & Smith, A. M. S. (2005). Characterizing and mapping forest fire fuels using ASTER imagery and gradient modeling. Forest Ecology and Management, 217(2–3), 129–146. https://doi.org/10.1016/j.foreco.2005.06.013 Fernandes, dos Santos, C. A., A. L. C., G., Gonçalves, L. F., Fonseca, N. N., Moura, R. B., Costa, K. A. P., &

Paim, T. P. (2023). Non-Destructive Methods Used to Determine Forage Mass and Nutritional Condition in Tropical Pastures. AgriEngineering, 5(3), 1614–1629. https://doi.org/10.3390/agriengineering5 030100

Fernandes, FernandesJunior, J. S., Adams, J. M., Lee, M., Reis, R. A., & Tedeschi, L. O. (2024). Using sentinel-2 satellite images and machine learning algorithms to predict tropical pasture forage mass, crude protein, and fiber content. Scientific Reports, 14(1), 8704. https://doi.org/10.1038/s41598-024-59160-x Freitas, R. G., Pereira, F. R. S., Dos Reis, A. A., Magalhães, P. S. G., Figueiredo, G. K. D. A., & do Amaral,

L. R. (2022). Estimating pasture aboveground biomass under an integrated crop-livestock system based on spectral and texture measures derived from UAV images. Computers and Electronics in Agriculture, 198, 107122. https://doi.org/10.1016/j.compag.2022.107122

Fuglie, K., Peters, M., & Burkart, S. (2021). The extent and economic significance of cultivated forage crops in developing countries. Frontiers in Sustainable Food Systems, 5. https://doi.org/10.3389/fsufs.2021 .712136

Furnitto, N., Ramírez-Cuesta, J. M., Intrigliolo, D. S., Todde, G., & Failla, S. (2025). Remote sensing for pasture biomass quantity and quality assessment: Challenges and future prospects. Smart Agricultural Technology, 12, 101057. https://doi.org/10.1016/j.atech.2025.101057

Geipel, J., Bakken, A. K., Jørgensen, M., & Korsaeth, A. (2021). Forage yield and quality estimation by means of UAV and hyperspectral imaging. Precision Agriculture, 22(5), 1437–1463. https://doi.org/10 .1007/s11119-021-09790-2

Gitelson, A., & Merzlyak, M. N. (1994). Quantitative estimation of chlorophyll-a using reflectance spectra: Experiments with autumn chestnut and maple leaves. Journal of Photochemistry and Photobiology B: Biology, 22(3), 247–252. https://doi.org/10.1016/1011-1344(93)06963-4

Gitelson, A. A., †, G., Y., & Merzlyak, M. N. (2003). Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves. Journal of Plant Physiology, 160(3), 271–282. https://doi.org/10.1078/0176-1617-00887

Gitelson, Kaufman, Y. J., Stark, R., & Rundquist, D. (2002). Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment, 80(1), 76–87. https://doi.org/10.1016/S0034-42 57(01)00289-9

Granitto, P. M., Furlanello, C., Biasioli, F., & Gasperi, F. (2006). Recursive feature elimination with random forest for PTR-MS analysis of agroindustrial products. Chemometrics and Intelligent Laboratory Systems, 83(2), 83–90. https://doi.org/10.1016/j.chemolab.2006.01.007

Haboudane, D. (2004). Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sensing of Environment, 90(3), 337–352. https://doi.org/10.1016/j.rse.2003.12.013

Hernandez, A., Bushman, S., Johnson, P., Robbins, M. D., & Patten, K. (2024). Prediction of Turfgrass Quality Using Multispectral UAV Imagery and Ordinal Forests: Validation Using a Fuzzy Approach. Agronomy, 14(11), 2575. https://doi.org/10.3390/agronomy14112575

Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295– 309. https://doi.org/10.1016/0034-4257(88)90106-X

Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X., & Ferreira, L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1–2), 195–213. https://doi.org/10.1016/S0034-4257(02)00096-2

Jordan, C. F. (1969). Derivation of Leaf-Area Index from Quality of Light on the Forest Floor. Ecology, 50(4), 663–666. https://doi.org/10.2307/1936256 Karila, K., Alves Oliveira, R., Ek, J., Kaivosoja, J., Koivumäki, N., Korhonen, P., Niemeläinen, O., Nyholm,

L., Näsi, R., Pölönen, I., & Honkavaara, E. (2022). Estimating Grass Sward Quality and Quantity Parameters Using Drone Remote Sensing with Deep Neural Networks. Remote Sensing, 14(11), 2692. https://doi.org/10.3390/rs14112692 Karunaratne, S., Thomson, A., Morse-McNabb, E., Wijesingha, J., Stayches, D., Copland, A., & Jacobs, J. (2020). The Fusion of Spectral and Structural Datasets Derived from an Airborne Multispectral Sensor for Estimation of Pasture Dry Matter Yield at Paddock Scale with Time. Remote Sensing, 12(12), 2017. https://doi.org/10.3390/rs12122017

Louhaichi, M., Borman, M. M., & Johnson, D. E. (2001). Spatially Located Platform and Aerial Photography for Documentation of Grazing Impacts on Wheat. Geocarto International, 16(1), 65–70. https://doi.or g/10.1080/10106040108542184 Martin, G., Durand, J. L., Duru, M., Gastal, F., Julier, B., Litrico, I., Louarn, G., Médiène, S., Moreau, D., Valentin-Morison, M., Novak, S., Parnaudeau, V., Paschalidou, F., Vertès, F., Voisin, A. S., Cellier, P., &

Jeuffroy, M. H. (2020). Role of ley pastures in tomorrow’s cropping systems. A review. Agronomy for Sustainable Development, 40(3), 17. https://doi.org/10.1007/s13593-020-00620-9

Matias, F. I., Caraza-Harter, M. V., & Endelman, J. B. (2020). FIELDimageR: An R package to analyze orthomosaic images from agricultural field trials. The Plant Phenome Journal, 3(1). https://doi.org/10 .1002/ppj2.20005

Merzlyak, M. N., Gitelson, A. A., Chivkunova, O. B., & Rakitin, V. Y. U. (1999). Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening. Physiologia Plantarum, 106(1), 135–141. https://doi.org/10.1034/j.1399-3054.1999.106119.x

Michez, A., Philippe, L., David, K., Sébastien, C., Christian, D., & Bindelle, J. (2020). Can Low-Cost Unmanned Aerial Systems Describe the Forage Quality Heterogeneity? Insight from a Timothy Pasture Case Study in Southern Belgium. Remote Sensing, 12(10), 1650. https://doi.org/10.3390/rs12101650

Minch, C., Dvorak, J., Jackson, J., & Sheffield, S. T. (2021). Creating a Field-Wide Forage Canopy Model Using UAVs and Photogrammetry Processing. Remote Sensing, 13(13), 2487. https://doi.org/10.3390 /rs13132487

Morais, T. G., Teixeira, R. F. M., Figueiredo, M., & Domingos, T. (2021). The use of machine learning methods to estimate aboveground biomass of grasslands: A review. Ecological Indicators, 130, 108081. https://doi.org/10.1016/j.ecolind.2021.108081

Murphy, D. J., Murphy, M. D., O’Brien, B., & O’Donovan, M. (2021). A Review of Precision Technologies for Optimising Pasture Measurement on Irish Grassland. Agriculture, 11(7), 600. https://doi.org/10.33 90/agriculture11070600

Newman, Y. C., Adesogan, A. T., Vendramini, J., & Sollenberger, L. (2009). Defining Forage Quality. EDIS, 5, 1–7. Oliveira, G. S., Marcato Junior, J., Polidoro, C., Osco, L. P., Siqueira, H., Rodrigues, L., Jank, L., Barrios, S., Valle, C., Simeão, R., Carromeu, C., Silveira, E., André de Castro Jorge, L., Gonçalves, W., Santos, M., & Matsubara, E. (2021). Convolutional Neural Networks to Estimate Dry Matter Yield in a Guineagrass Breeding Program Using UAV Remote Sensing. Sensors (Basel, Switzerland), 21(12), 3971. https://do i.org/10.3390/s21123971 Oliveira, Näsi, R., Niemeläinen, O., Nyholm, L., Alhonoja, K., Kaivosoja, J., Jauhiainen, L., Viljanen, N.,

Nezami, S., Markelin, L., Hakala, T., & Honkavaara, E. (2020). Machine learning estimators for the quantity and quality of grass swards used for silage production using drone-based imaging spectrometry and photogrammetry. Remote Sensing of Environment, 246, 111830. https://doi.org/10.1016/j.rse.2020 .111830

Parker, T. A., Palkovic, A., & Gepts, P. (2020). Determining the Genetic Control of Common Bean EarlyGrowth Rate Using Unmanned Aerial Vehicles. Remote Sensing, 12(11), 1748. https://doi.org/10.339 0/rs12111748

Penuelas, J., Frederic, B., & Filella, I. (1995). Semi-empirical indices to assess carotenoids/chlorophyll-a ratio from leaf spectral reflectance. Photosynthetica, 31.

Poley, L., & McDermid, J., G (2020). A Systematic Review of the Factors Influencing the Estimation of Vegetation Aboveground Biomass Using Unmanned Aerial Systems. Remote Sensing, 12(7), 1052. https://doi.org/10.3390/rs12071052

Pullanagari, R. R., Yule, I. J., Tuohy, M. P., Hedley, M. J., Dynes, R. A., & King, W. M. (2012). In-field hyperspectral proximal sensing for estimating quality parameters of mixed pasture. Precision Agriculture, 13(3), 351–369. https://doi.org/10.1007/s11119-011-9251-4

Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y. H., & Sorooshian, S. (1994). A modified soil adjusted vegetation index. Remote Sensing of Environment, 48(2), 119–126. https://doi.org/10.1016/0034-4257(94)90134-1

Reinermann, S., Asam, S., & Kuenzer, C. (2020). Remote Sensing of Grassland Production and Management—A Review. Remote Sensing, 12(12), 1949. https://doi.org/10.3390/rs12121949

Richardson, A. J., & Weigand, C. (1997). Distinguishing vegetation from soil background information. Photogrammetric Engineering and Remote Sensing, 43(12), 1541–1552.

Roujean, J. L., & Breon, F. M. (1995). Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote Sensing of Environment, 51(3), 375–384. https://doi.org/10.1016/0034-4257(9 4)00114-3

Rouse, J., Haas, R., Schell, J., Deering, D., & Harlan, J. (1973). Monitoring vegetation systems in the Great Plains with ERTS. In Third Earth Resources Technology Satellite-1 Symposium (pp. 309–317).

Santos, H. G. (2018). dos. Sistema brasileiro de classificação de solos. Embrapa.

Sbrissia, A. F., Schmitt, D., Duchini, P. G., & Da Silva, S. C. (2020). Unravelling the relationship between a seasonal environment and the dynamics of forage growth in grazed swards. Journal of Agronomy and Crop Science, 206(5), 630–639. https://doi.org/10.1111/jac.12402

SEPLAN-MS (1990). Atlas Multirreferencial do Estado de Mato Grosso do Sul.

Serrano, J., Shahidian, S., & Moral, F. J. (2024). Crude Protein as an Indicator of Pasture Availability and Quality: A Validation of Two Complementary Sensors. Agronomy, 14(10), 2310. https://doi.org/10.33 90/ag ronomy14102310

Shahi, T. B., Balasubramaniam, T., Sabir, K., & Nayak, R. (2025). Pasture monitoring using remote sensing and machine learning: A review of methods and applications. Remote Sensing Applications: Society and Environment, 37, 101459. https://doi.org/10.1016/j.rsase.2025.101459

Tedeschi, L. O., Molle, G., Menendez, H. M., Cannas, A., & Fonseca, M. A. (2019). The assessment of supplementation requirements of grazing ruminants using nutrition models. Translational Animal Science, 3(2), 811–828. https://doi.org/10.1093/tas/txy140

Van Soest, P. J., Robertson, J. B., & Lewis, B. A. (1991). Methods for Dietary Fiber, Neutral Detergent Fiber, and Nonstarch Polysaccharides in Relation to Animal Nutrition. Journal of Dairy Science, 74(10), 3583–3597. https://doi.org/10.3168/jds.S0022-0302(91)78551-2

Viljanen, N., Honkavaara, E., Näsi, R., Hakala, T., Niemeläinen, O., & Kaivosoja, J. (2018). A Novel Machine Learning Method for Estimating Biomass of Grass Swards Using a Photogrammetric Canopy Height Model, Images and Vegetation Indices Captured by a Drone. Agriculture, 8(5), 70. https://doi.o rg/10.3390/agriculture8050070

Vincini, M., Frazzi, E., & D’Alessio, P. (2008). A broad-band leaf chlorophyll vegetation index at the canopy scale. Precision Agriculture, 9(5), 303–319. https://doi.org/10.1007/s11119-008-9075-z

Wang, Z., Ma, Y., Zhang, Y., & Shang, J. (2022). Review of Remote Sensing Applications in Grassland Monitoring. Remote Sensing, 14(12), 2903. https://doi.org/10.3390/rs14122903

Wang, Wang, C., Price, K. P., van der Merwe, D., & An, N. (2014). Modeling Above-Ground Biomass in Tallgrass Prairie Using Ultra-High Spatial Resolution sUAS Imagery. Photogrammetric Engineering & Remote Sensing, 80(12), 1151–1159. https://doi.org/10.14358/PERS.80.12.1151

Willmott, C. J., Robeson, S. M., & Matsuura, K. (2012). A refined index of model performance. International Journal of Climatology, 32(13), 2088–2094. https://doi.org/10.1002/joc.2419

Woebbecke, D. M., Meyer, G. E., Von Bargen, K., & Mortensen, D. A. (1995). Color Indices for Weed Identification Under Various Soil, Residue, and Lighting Conditions. Transactions of the ASAE, 38(1), 259–269. https://doi.org/10.13031/2013.27838

Wróbel, B., Zielewicz, W., & Staniak, M. (2023). Challenges of Pasture Feeding Systems—Opportunities and Constraints. Agriculture, 13(5), 974. https://doi.org/10.3390/agriculture13050974

Zarco-Tejada, P. J., Ustin, S. L., & Whiting, M. L. (2005). Temporal and Spatial Relationships between Within‐Field Yield Variability in Cotton and High‐Spatial Hyperspectral Remote Sensing Imagery. Agronomy Journal, 97(3), 641–653. https://doi.org/10.2134/agronj2003.0257

Springer Nature сохраняет нейтралитет в отношении юрисдикционных претензий на опубликованных картах и в сведениях об институциональной принадлежности.

Matheus Luís Caron¹ · Carlos Augusto Alves Cardoso Silva¹ · Rodnei Rizzo¹ · Ana Karla da Silva Oliveira¹ · Carlos Guilherme Silveira Pedreira² · Bin Yang³ · Peterson Ricardo Fiorio¹

matheuscaron@outlook.com

carlosesalq@usp.br

¹ Кафедра инженерии биосистем, Высшая сельскохозяйственная школа имени Луиса де Кейроса, Университет Сан-Паулу, Пирасикаба 13418900, штат Сан-Паулу, Бразилия.

² Кафедра животноводства, Высшая сельскохозяйственная школа имени Луиса де Кейроса, Университет Сан-Паулу, Пирасикаба 13418900, штат Сан-Паулу, Бразилия.

³ Школа искусственного интеллекта и робототехники, Хунаньский университет, Чанша 410082, Китай.