Bavlna ako dôležitá tržná plodina a surovina pre bavlnársky textilný priemysel. S rastúcou husto osídlenou oblasťou je problém konkurencie medzi bavlnou, obilninami a olejninami čoraz vážnejší. Využívanie medziplodín medzi bavlnou a obilninami môže účinne zmierniť rozpor medzi pestovaním bavlny a obilnín, čo môže zlepšiť produktivitu plodín a chrániť ekologickú diverzitu atď. Preto je veľmi dôležité rýchlo a presne monitorovať rast bavlny v medziplodinovom režime.
Multispektrálne a viditeľné snímky bavlny v troch štádiách plodnosti boli získané pomocou multispektrálnych a RGB senzorov umiestnených na bezpilotných vzdušných prostriedkoch (UAV). Ich spektrálne a obrazové vlastnosti boli extrahované a v kombinácii s výškou rastlín bavlny na zemi bol SPAD bavlny odhadnutý pomocou integrovaného učenia s hlasovacou regresiou (VRE) a porovnaný s tromi modelmi, a to regresiou náhodného lesa (RFR), regresiou gradientného zosilnenia stromov (GBR) a regresiou podporných vektorov (SVR). Vyhodnotili sme presnosť odhadu rôznych modelov odhadu relatívneho obsahu chlorofylu v bavlne a analyzovali sme vplyv rôznych pomerov medziplodín medzi bavlnou a sójou na rast bavlny, aby sme poskytli základ pre výber pomeru medziplodín medzi bavlnou a sójou a vysoko presný odhad SPAD bavlny.
V porovnaní s modelmi RFR, GBR a SVR, model VRE vykazoval najlepšie výsledky odhadu SPAD bavlny. Na základe modelu odhadu VRE mal model s multispektrálnymi obrazovými prvkami, viditeľnými obrazovými prvkami a fúziou výšky rastlín ako vstupmi najvyššiu presnosť s testovacou sadou R2, RMSE a RPD 0,916, 1,481 a 3,53.
Bolo preukázané, že fúzia viaczdrojových dát v kombinácii s algoritmom integrácie hlasovacej regresie poskytuje novú a efektívnu metódu pre odhad SPAD v bavlne.
Čas uverejnenia: 3. decembra 2024