Bawełna jest ważną uprawą towarową i surowcem dla przemysłu tekstylnego. Wraz ze wzrostem gęstości zaludnienia, problem konkurencji o grunty pod uprawę bawełny, zbóż i roślin oleistych staje się coraz poważniejszy. Zastosowanie współrzędnej uprawy bawełny i zbóż może skutecznie złagodzić sprzeczności między uprawą bawełny i zbóż, co może poprawić wydajność upraw i chronić różnorodność ekologiczną. Dlatego niezwykle ważne jest szybkie i dokładne monitorowanie wzrostu bawełny w trybie współrzędnej uprawy.
Wielospektralne i widzialne obrazy bawełny w trzech fazach płodności zostały pozyskane przez zamontowane na UAV wielospektralne czujniki RGB, ich cechy widmowe i obrazowe zostały wyodrębnione i połączone z wysokością roślin bawełny na ziemi, SPAD bawełny został oszacowany przez zintegrowane uczenie się regresji głosowania (VRE) i porównany z trzema modelami, mianowicie, regresją lasu losowego (RFR), regresją drzewa wzmocnionego gradientem (GBR) i regresją maszyny wektorów nośnych (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 estymacji w szacowaniu SPAD bawełny. Na podstawie modelu estymacji VRE, model z cechami obrazu multispektralnego, cechami obrazu widzialnego i fuzją wysokości roślin jako danymi wejściowymi osiągnął najwyższą dokładność dla zestawu testowego R2, RMSE i RPD wynoszącą odpowiednio 0,916, 1,481 i 3,53.
Wykazano, że łączenie danych wieloźródłowych w połączeniu z algorytmem integracji regresji głosowania zapewnia nową i skuteczną metodę szacowania SPAD w przypadku bawełny.
Czas publikacji: 03.12.2024