Bavlna jako důležitá tržní plodina a surovina pro textilní průmysl bavlny, s nárůstem hustě osídlených oblastí, bavlny, obilí a olejnatých plodin je problém konkurence na půdě stále vážnější, použití bavlny a meziplodin může účinně zmírnit rozpor mezi pěstování bavlny a obilnin, které mohou zlepšit produktivitu plodiny a ochranu ekologické rozmanitosti a tak dále. Proto je velmi důležité rychle a přesně sledovat růst bavlny v režimu meziplodin.
Multispektrální a viditelné snímky bavlny ve třech fázích plodnosti byly pořízeny multispektrálními a RGB senzory namontovanými na UAV, byly extrahovány jejich spektrální a obrazové vlastnosti a v kombinaci s výškou rostlin bavlníku na zemi byl SPAD bavlny odhadnuto pomocí regresního integrovaného učení hlasování (VRE) a porovnat se třemi modely, jmenovitě náhodnou lesní regresí (RFR), gradientem zesílenou stromovou regresí (GBR) a podpůrnou vektorovou strojovou regresí (SVR). . Hodnotili jsme přesnost odhadu různých modelů odhadu na relativní obsah chlorofylu v bavlně a analyzovali jsme účinky různých poměrů meziplodin mezi bavlnou a sójou na růst bavlny, abychom poskytli základ pro výběr poměru meziplodin. mezi bavlnou a sójou a vysoce přesným odhadem bavlny SPAD.
Ve srovnání s modely RFR, GBR a SVR vykázal model VRE nejlepší výsledky odhadu v odhadu SPAD bavlny. Na základě modelu odhadu VRE měl model s multispektrálními obrazovými prvky, viditelnými obrazovými prvky a fúzí výšky rostliny jako vstupy nejvyšší přesnost s testovací sadou R2, RMSE a RPD 0,916, 1,481 a 3,53, v tomto pořadí.
Ukázalo se, že fúze vícezdrojových dat v kombinaci s algoritmem regresní integrace hlasování poskytuje novou a efektivní metodu pro odhad SPAD v bavlně.
Čas odeslání: prosinec-03-2024