European farmers and especially organic farmers rely on legume–grass mixtures in their crop rotation as an organic nitrogen (N) source, as legumes can fix atmospheric N, which is the most important element for plant growth. Furthermore, legume–grass serves as valuable fodder for livestock and biogas plants. Therefore, information about aboveground biomass and N fixation (NFix) is crucial for efficient farm management decisions on the field level. Remote sensing, as a non-destructive and fast technique, provides different methods to quantify plant trait parameters. In our study, high-density point clouds, derived from terrestrial laser scanning (TLS), in combination with unmanned aerial vehicle-based multispectral (MS) data, were collected to receive information about three plant trait parameters (fresh and dry matter, nitrogen fixation) in two legume–grass mixtures. Several crop surface height metrics based on TLS and vegetation indices based on the four MS bands (green, red, red edge, and near-infrared) were calculated. Furthermore, eight texture features based on mean crop surface height and the four MS bands were generated to measure horizontal spatial heterogeneity. The aim of this multi-temporal study over two vegetation periods was to create estimation models based on biomass and N fixation for two legume–grass mixtures by sensor fusion, a combination of both sensors. To represent conditions in practical farming, e.g., the varying proportion of legumes, the experiment included pure stands of legume and grass of the mixtures. Sensor fusion of TLS and MS data was found to provide better estimates of biomass and N_Fix than separate data analysis. The study shows the important role of texture based on MS and point cloud data, which contributed greatly to the estimation model generation. The applied approach offers an interesting method for improvements in precision agriculture.

欧洲农民，特别是有机农民在作物轮作中依靠豆类-草混合物作为有机氮（N）源，因为豆类可以固定大气中的氮，这是植物生长的最重要元素。此外，豆类草还可以作为牲畜和沼气植物的重要饲料。因此，关于地上生物量和固氮（NFix）的信息对于实地有效的农场管理决策至关重要。作为一种非破坏性的快速技术，遥感提供了量化植物性状参数的不同方法。在我们的研究中，收集了来自地面激光扫描（TLS）的高密度点云，并结合了基于无人机的多光谱（MS）数据，以接收有关三个植物性状参数（鲜，干物质，两种豆科植物-草混合物中的固氮作用）。计算了基于TLS的几种作物表面高度度量以及基于四个MS波段（绿色，红色，红色边缘和近红外）的植被指数。此外，基于平均作物表面高度和四个MS带生成了八个纹理特征，以测量水平空间异质性。这项针对两个植被时期的多时间研究的目的是基于传感器融合（两个传感器的组合），基于生物量和固氮技术，为两种豆科植物-植物混合物创建估算模型。为了代表实际农业中的条件，例如豆类比例的变化，实验包括纯种豆科植物和混合物的草。发现TLS和MS数据的传感器融合可提供更好的生物量和氮估计 计算了基于TLS的几种作物表面高度度量以及基于四个MS波段（绿色，红色，红色边缘和近红外）的植被指数。此外，基于平均作物表面高度和四个MS带生成了八个纹理特征，以测量水平空间异质性。这项针对两个植被时期的多时间研究的目的是基于传感器融合（两个传感器的组合），基于生物量和固氮技术，为两种豆科植物-植物混合物创建估算模型。为了代表实际农业中的条件，例如豆类比例的变化，实验包括纯豆科植物和混合物的草。发现TLS和MS数据的传感器融合可提供更好的生物量和氮估计 计算了基于TLS的几种作物表面高度度量以及基于四个MS波段（绿色，红色，红色边缘和近红外）的植被指数。此外，基于平均作物表面高度和四个MS带生成了八个纹理特征，以测量水平空间异质性。这项针对两个植被时期的多时间研究的目的是基于传感器融合（两个传感器的组合），基于生物量和固氮技术，为两种豆科植物-植物混合物创建估算模型。为了代表实际农业中的条件，例如豆类比例的变化，实验包括纯豆科植物和混合物的草。发现TLS和MS数据的传感器融合可提供更好的生物量和氮估计 计算出红色边缘​​和近红外）。此外，基于平均作物表面高度和四个MS带生成了八个纹理特征，以测量水平空间异质性。这项针对两个植被时期的多时间研究的目的是基于传感器融合（两个传感器的组合），基于生物量和固氮技术，为两种豆科植物-植物混合物创建估算模型。为了代表实际农业中的条件，例如豆类比例的变化，实验包括纯豆科植物和混合物的草。发现TLS和MS数据的传感器融合可提供更好的生物量和氮估计 计算出红色边缘​​和近红外）。此外，基于平均作物表面高度和四个MS带生成了八个纹理特征，以测量水平空间异质性。这项针对两个植被时期的多时间研究的目的是基于传感器融合（两个传感器的组合），基于生物量和固氮技术，为两种豆科植物-植物混合物创建估算模型。为了代表实际农业中的条件，例如豆类比例的变化，实验包括纯豆科植物和混合物的草。发现TLS和MS数据的传感器融合可提供更好的生物量和氮估计 这项针对两个植被时期的多时间研究的目的是基于传感器融合（两个传感器的组合），基于生物量和固氮技术，为两种豆科植物-植物混合物创建估算模型。为了代表实际农业中的条件，例如豆类比例的变化，实验包括纯豆科植物和混合物的草。发现TLS和MS数据的传感器融合可提供更好的生物量和氮估计 这项针对两个植被时期的多时间研究的目的是基于传感器融合（两个传感器的组合），基于生物量和固氮技术，为两种豆科植物-植物混合物创建估算模型。为了代表实际农业中的条件，例如豆类比例的变化，实验包括纯豆科植物和混合物的草。发现TLS和MS数据的传感器融合可提供更好的生物量和氮估计_固定而不是单独的数据分析。研究表明，基于MS和点云数据的纹理的重要作用，极大地促进了估计模型的生成。应用的方法为改进精确农业提供了一种有趣的方法。