| dc.date.accessioned | 2017-06-21T11:27:00Z | |
| dc.date.available | 2017-06-21T11:27:00Z | |
| dc.date.issued | 2017-06-21 | |
| dc.identifier.uri | urn:nbn:de:hebis:34-2017062152623 | |
| dc.identifier.uri | http://hdl.handle.net/123456789/2017062152623 | |
| dc.description.sponsorship | German Research Foundation (DFG) | eng |
| dc.language.iso | eng | |
| dc.rights | Urheberrechtlich geschützt | |
| dc.rights.uri | https://rightsstatements.org/page/InC/1.0/ | |
| dc.subject | sensor data fusion | eng |
| dc.subject | hyperspectral sensor | eng |
| dc.subject | ultrasonic sensor | eng |
| dc.subject | biomass | eng |
| dc.subject | forage quality | eng |
| dc.subject | heterogeneous pasture | eng |
| dc.subject.ddc | 630 | |
| dc.title | Combined use of spectral signatures and ultrasonic sward height for the assessment of biomass and quality parameters in heterogeneous pastures | eng |
| dc.type | Dissertation | |
| dcterms.abstract | Precision management of grasslands requires accurate information on sward characteristics at a spatial and temporal scale. Multi-sensor data fusion provides data for site-specific grassland management. The present study aimed to demonstrate the potential of using a combination of ultrasonic and hyper-spectral sensor data fusion to predict forage quality (crude protein and acid detergent fiber) and biomass in heterogeneous pastures. The ability of a mobile sensing system equipped with both sensors to quantify within-field variations was also evaluated. A field experiment with paddocks continuously stocked by cows and three levels of grazing intensity (moderate, lenient and very lenient) was used providing a broad range of sward characteristics for a sensor alignment. Different variables derived from hyper-spectral data including normalized difference spectral indices (NDSIs), multi-spectral satellite bands and PCA (principle component analysis) derived components were tested exclusively and combined with ultrasonic sward height (USH) to identify measurement options of high predictive capability and compared to modified partial least squares regression (MPLSR). Exclusive USH or spectral variables could hardly predict yield and quality parameters of heterogeneous pastures, whereas sensor data fusion by combining USH with narrow band NDSIs or WorldView2 satellite broad bands increased the prediction accuracy significantly, so that most calibration models exceeded an RPD value of 1.4 (residual predictive value), which is considered as an acceptable predicting capability for variable field condition. These combinations can be on par or even better than the use of the full hyperspectral information. Spectral regions related to water content were found to be most important for prediction of biomass while for estimating quality parameters both visible-near infrared regions were found to be important. The presence of a high proportion of senesced material in pastures influences the performance of the sensor systems and may limit the applicability of such concepts in the second half of the growing season. Prediction of biomass by mobile application of sensors explained > 63 % of the variation in manually determined reference plots representing the biomass range of each paddock. Accuracy of biomass prediction improved with increasing grazing intensity. Prediction accuracy with a mobile application of sensors was always lower than when sensors were applied statically. Differences between mobile and static measurements may be caused by position errors, which accounted for 8.5 cm on average. Even if future research is necessary to identify the limitations and improve sensor configurations, the present research of applying combined sensing technique on pasture canopies, could be seen as a step towards being able to measure and map pasture properties of interest in real time and at the field scale. | eng |
| dcterms.abstract | Precision farming auf dem Grünland erfordert genaue Informationen über die Grasnarbe in räumlicher und zeitlicher Hinsicht. Mit Hilfe der Sensorkombination können Daten für ein standortspezifisches Grünlandmanagement erstellt werden. Das Ziel der vorliegenden Studie war, das Potential der Zusammenführung von Ultraschall- und hyperspektralen Sensordaten zur Vorhersage von Futterqualität (Rohprotein und Säure-Detergenzien-Faser) und Ertrag in einem heterogenen Graslandbestand zu prüfen. Um Variationen im Feld quantifizieren zu können, wurde ein mobiles Sensorsystem mit beiden Sensoren ausgestattet und in einem Feldversuch getestet. Der Feldversuch wurde auf einer Weide mit kontinuierlicher Beweidung durch Kühe angelegt. Um eine große Bandbreite an Charakteristiken der Grasnarbe zu erzeugen, wurde die Beweidung in drei Stufen der Beweidungsintensität (moderat, gering und sehr gering) durchgeführt. Verschiedene Daten, die aus den hyperspektralen Daten abgeleitet wurden, einschließlich spektraler Indices (normalized difference spectral index, NDSI), multispektraler Satellitenbänder und aus der Hauptkomponentenanalyse (Principal Component Analysis, PCA) abgeleiteter Komponenten, wurden getrennt geprüft. Zusätzlich wurden diese Daten mit der Ultraschall-Bestandeshöhe (ultrasonic sward hight, USH) kombiniert, um Messoptionen mit einem hohen Vorhersagewert zu identifizieren und mit den hyperspektralen Daten anhand MPLS (Modified Partial Least Squares Regression, MPLSR) verglichen. USH- und Spektralvariablen alleine konnten die Ertrags- und Qualitätsparameter von heterogenem Grünland kaum vorhersagen. Im Gegensatz dazu konnte eine Zusammenführung der Sensordaten durch die Kombination von USH mit schmalbandigen NDSIs oder WorldView2-Satellitenbreitbändern die Vorhersagegenauigkeit deutlich erhöhen, sodass die meisten Kalibrierungsmodelle einen RPD-Wert (residual predictive value) von 1,4 überschritten, welcher als ein annehmbarer Vorhersagewert für variable Feldbedingungen betrachtet wird. Diese Kombinationen können auf dem gleichen Niveau oder besser als die Verwendung der vollständigen hyperspektralen Information sein. Dabei zeigte sich, dass die spektralen Bereiche, die am wichtigsten für eine Vorhersage der Biomasse waren, mit dem Wassergehalt zusammenhingen, während sich für die Schätzung der Qualitätsparameter sowohl Reflexionsdaten im sichtbaren als auch im nah-Infraroten Bereich als wichtig erwiesen. Das Auftreten eines hohen Anteils an seneszentem Material im Grünland beeinflusst die Leistungsfähigkeit der Sensorsysteme und kann die Nutzung solcher Konzepte in der zweiten Hälfte der Vegetation einschränken. Die Vorhersage von Biomasse durch eine mobile Anwendung der Sensoren konnte 63 % der Varianz in manuell beprobten Referenzparzellen erklären, welche den Wertebereich der Weiden gut repräsentierte. Die Genauigkeit der Vorhersage über die Biomasse verbesserte sich mit zunehmender Weideintensität. Bei einer mobilen Anwendung der Sensoren war die Vorhersagegenauigkeit immer niedriger als bei statischen Sensoren. Unterschiede zwischen den mobilen und statischen Messungen könnten durch Positionsfehler verursacht worden sein, welche durchschnittlich 8,5 cm betrugen. Die vorliegende Forschungsarbeit über eine Anwendung einer kombinierten Sensortechnik auf Grünland, ist ein erster Schritt zur Messung und Kartierung von Grünlandcharakteristiken in Echtzeit und auf Feldmaßstab. Um weitere Einschränkungen zu identifizieren und um die Sensorkonfigurationen zu verbessern, bedarf es weiterer Forschung. | ger |
| dcterms.accessRights | open access | |
| dcterms.creator | Safari, Hanieh | |
| dc.contributor.corporatename | Kassel, Universität Kassel, Fachbereich Ökologische Agrarwissenschaften | |
| dc.contributor.referee | Wachendorf, Michael (Prof. Dr.) | |
| dc.contributor.referee | Isselstein, Johannes (Prof. Dr.) | |
| dc.contributor.referee | Ludwig, Bernard (Prof. Dr.) | |
| dc.contributor.referee | Bürkert, Andreas (Prof. Dr.) | |
| dc.subject.swd | Grünland | ger |
| dc.subject.swd | Präzisionslandwirtschaft | ger |
| dc.subject.swd | Sensor | ger |
| dc.subject.swd | Datenfusion | ger |
| dc.date.examination | 2017-05-16 | |
