Bawełna jako ważna uprawa dochodowa i surowiec przemysłu tekstylnego bawełny, wraz ze wzrostem obszarów gęsto zaludnionych, problemem konkurencji o ziemię upraw bawełny, zbóż i roślin oleistych jest coraz poważniejszy, stosowanie bawełny i upraw współrzędnych może skutecznie złagodzić sprzeczność pomiędzy uprawa bawełny i zbóż, co może poprawić wydajność upraw i ochronę różnorodności ekologicznej i tak dalej. Dlatego tak istotne jest szybkie i dokładne monitorowanie wzrostu bawełny w trybie współrzędnym.
Wielospektralne i widzialne obrazy bawełny na trzech etapach płodności uzyskano za pomocą zamontowanych na UAV czujników wielospektralnych i RGB, wyodrębniono ich cechy widmowe i obrazowe i w połączeniu z wysokością roślin bawełny na ziemi określono SPAD bawełny oszacowane za pomocą zintegrowanego uczenia się metodą regresji głosowania (VRE) i porównane z trzema modelami, mianowicie regresją losowego lasu (RFR), regresją drzewa wzmocnionego gradientem (GBR) i regresją maszynową wektorów nośnych (SVR). . Oceniliśmy dokładność szacunków różnych modeli szacowania względnej zawartości chlorofilu w bawełnie oraz przeanalizowaliśmy wpływ różnych proporcji międzyplonów między bawełną i soją na wzrost bawełny, aby zapewnić podstawę do doboru stosunku międzyplonów między bawełną a soją oraz bardzo precyzyjne oszacowanie SPAD bawełny.
W porównaniu z modelami RFR, GBR i SVR, model VRE wykazał najlepsze wyniki estymacji w szacowaniu SPAD bawełny. W oparciu o model estymacji VRE, model z wielospektralnymi cechami obrazu, widzialnymi cechami obrazu i fuzją wysokości rośliny jako danymi wejściowymi miał najwyższą dokładność przy zestawie testowym R2, RMSE i RPD wynoszącym odpowiednio 0,916, 1,481 i 3,53.
Wykazano, że fuzja danych wieloźródłowych w połączeniu z algorytmem integracji regresji głosowania zapewnia nową i efektywną metodę szacowania SPAD w bawełnie.
Czas publikacji: 03 grudnia 2024 r