Bawełna jako ważna uprawa towarowa i surowce przemysłu tekstylnego, wraz ze wzrostem gęsto zaludnionych obszarów, problem konkurencji gruntów pod uprawę bawełny, zbóż i roślin oleistych staje się coraz poważniejszy, stosowanie międzyplonów bawełny i zbóż może skutecznie złagodzić sprzeczność między uprawą bawełny i zbóż, co może poprawić wydajność upraw i ochronę różnorodności ekologicznej itd. Dlatego też niezwykle istotne jest szybkie i dokładne monitorowanie wzrostu bawełny w trybie międzyplonów.
Wielospektralne i widzialne obrazy bawełny w trzech stadiach płodności zostały pozyskane przez zamontowane na UAV wielospektralne i RGB czujniki, ich cechy widmowe i obrazowe zostały wyodrębnione i połączone z wysokością roślin bawełny na ziemi, SPAD bawełny został oszacowany przez zintegrowane uczenie regresji głosowania (VRE) i porównany z trzema modelami, a mianowicie, Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR) i Support Vector Machine Regression (SVR). Oceniliśmy dokładność szacowania różnych modeli szacowania względnej zawartości chlorofilu w bawełnie i przeanalizowaliśmy wpływ różnych proporcji współrzędnych upraw bawełny i soi na wzrost bawełny, aby zapewnić podstawę do wyboru proporcji współrzędnych upraw bawełny i soi oraz precyzyjnego oszacowania SPAD bawełny.
W porównaniu z modelami RFR, GBR i SVR, model VRE wykazał najlepsze wyniki szacowania w szacowaniu SPAD bawełny. Na podstawie modelu szacowania VRE, model z cechami obrazu multispektralnego, cechami obrazu widzialnego i fuzją wysokości roślin jako danymi wejściowymi miał najwyższą dokładność z zestawem testowym R2, RMSE i RPD wynoszącą odpowiednio 0,916, 1,481 i 3,53.
Wykazano, że łączenie danych wieloźródłowych z algorytmem integracji regresji głosowania zapewnia nową i skuteczną metodę szacowania SPAD w uprawie bawełny.
Czas publikacji: 03-12-2024