Bavlna ako dôležitá surovina pre trhovú plodinu a bavlnený textilný priemysel, s nárastom husto osídlených oblastí, bavlny, obilnín a olejnatých plodín je problém hospodárskej súťaže na pôde stále vážnejší, používanie bavlny a medziplodín obilia môže účinne zmierniť rozpor medzi pestovanie bavlny a obilnín, ktoré môžu zlepšiť produktivitu plodín a ochranu ekologickej rozmanitosti atď. Preto je veľmi dôležité rýchlo a presne monitorovať rast bavlny v režime medziplodín.
Multispektrálne a viditeľné snímky bavlny v troch štádiách plodnosti sa získali multispektrálnymi a RGB senzormi namontovanými na UAV, extrahovali sa ich spektrálne a obrazové vlastnosti a v kombinácii s výškou rastlín bavlny na zemi sa získal SPAD bavlny. odhadnuté pomocou hlasovacieho regresného integrovaného učenia (VRE) a porovnané s tromi modelmi, menovite náhodná lesná regresia (RFR), gradientom zosilnená stromová regresia (GBR) a podporná vektorová strojová regresia (SVR). . Vyhodnotili sme presnosť odhadu rôznych modelov odhadu relatívneho obsahu chlorofylu v bavlne a analyzovali sme účinky rôznych pomerov medziplodín medzi bavlnou a sójou na rast bavlny, aby sme poskytli základ pre výber pomeru medziplodín. medzi bavlnou a sójou a vysoko presným odhadom bavlny SPAD.
V porovnaní s modelmi RFR, GBR a SVR model VRE vykazoval najlepšie výsledky odhadov pri odhade SPAD bavlny. Na základe modelu odhadu VRE mal model s multispektrálnymi obrazovými vlastnosťami, viditeľnými obrazovými vlastnosťami a fúziou výšky rastlín ako vstupy najvyššiu presnosť s testovacou sadou R2, RMSE a RPD 0,916, 1,481 a 3,53, v tomto poradí.
Ukázalo sa, že fúzia údajov z viacerých zdrojov v kombinácii s algoritmom regresnej integrácie hlasovania poskytuje novú a efektívnu metódu na odhad SPAD v bavlne.
Čas odoslania: 3. decembra 2024