Puuvilla on tärkeä rahakasvi ja puuvillatekstiiliteollisuuden raaka-aine. Tiheästi asuttujen alueiden kasvaessa puuvillan, viljan ja öljykasvien maankäytön kilpailuongelma on yhä vakavampi. Puuvillan ja viljan sekaviljely voi tehokkaasti lieventää puuvillan ja viljan viljelyn välistä ristiriitaa, mikä voi parantaa sadon tuottavuutta ja suojella ekologista monimuotoisuutta jne. Siksi on erittäin tärkeää seurata puuvillan kasvua nopeasti ja tarkasti sekaviljelytilassa.
Miehittämättömään ilma-alukseen asennetuilla monispektri- ja RGB-antureilla hankittiin puuvillasta monispektri- ja näkyvän valon kuvia kolmessa hedelmällisyysvaiheessa. Niiden spektri- ja kuvaominaisuudet erotettiin, ja yhdistettynä puuvillakasvien korkeuteen maassa puuvillan SPAD-arvo arvioitiin äänestysregressiointegroidulla oppimisella (VRE) ja verrattiin kolmeen malliin: satunnaiseen metsäregressioon (RFR), gradienttivahvistettuun puuregressioon (GBR) ja tukivektorikoneregressioon (SVR). Arvioimme eri arviointimallien arviointitarkkuutta puuvillan suhteelliseen klorofyllipitoisuuteen ja analysoimme puuvillan ja soijapavun välisten eri sekaviljelysuhteiden vaikutuksia puuvillan kasvuun, jotta saisimme perustan puuvillan ja soijapavun välisen sekaviljelysuhteen valinnalle ja puuvillan SPAD-arvon tarkalle arvioinnille.
Verrattuna RFR-, GBR- ja SVR-malleihin, VRE-malli osoitti parhaat estimointitulokset puuvillan SPAD-arvossa. VRE-estimointimallin perusteella mallilla, jossa syötteinä olivat monispektriset kuvaominaisuudet, näkyvän kuvan ominaisuudet ja kasvin korkeuden fuusio, oli korkein tarkkuus testijoukon R2:n, RMSE:n ja RPD:n ollessa vastaavasti 0,916, 1,481 ja 3,53.
Osoitettiin, että monilähteisen datan fuusio yhdistettynä äänestysregressiointegraatioalgoritmiin tarjoaa uuden ja tehokkaan menetelmän SPAD-estimointiin puuvillassa.
Julkaisun aika: 03.12.2024