Puuvilla tärkeänä rahakasvina ja puuvillan tekstiiliteollisuuden raaka-aineena, tiheästi asuttujen alueiden lisääntyessä puuvillan, viljan ja öljykasvien maakilpailuongelma on yhä vakavampi, puuvillan ja viljan vuorovaikutus voi tehokkaasti lievittää ristiriitaa puuvillan ja viljakasvien viljely, mikä voi parantaa sadon tuottavuutta ja ekologisen monimuotoisuuden suojelua ja niin edelleen. Siksi on erittäin tärkeää seurata nopeasti ja tarkasti puuvillan kasvua väliviljelytilassa.
UAV-asennetuilla monispektri- ja RGB-antureilla saatiin monispektrisiä ja näkyviä kuvia puuvillasta kolmessa hedelmällisyysvaiheessa, niiden spektri- ja kuvaominaisuudet erotettiin ja yhdistettynä puuvillakasvien korkeuteen maassa saatiin puuvillan SPAD. arvioitu äänestysregression integroidulla oppimisella (VRE) ja verrataan kolmeen malliin, nimittäin Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR) ja tuki Vector Machine Regression (SVR). . Arvioimme eri arviomallien estimointitarkkuutta puuvillan suhteellisesta klorofyllipitoisuudesta ja analysoimme erilaisten puuvillan ja soijapavun välisten vuorovaikutussuhteiden vaikutuksia puuvillan kasvuun antaaksemme perustan väliviljelysuhteen valinnalle. puuvillan ja soijapavun välillä ja puuvillan SPAD:n korkean tarkkuuden estimointi.
Verrattuna RFR-, GBR- ja SVR-malleihin VRE-malli osoitti parhaat estimointitulokset puuvilla SPAD:n arvioinnissa. VRE-estimointimalliin perustuen mallilla, jossa oli monispektrikuvan piirteet, näkyvät kuvan ominaisuudet ja kasvin korkeuden fuusio syötteinä, oli suurin tarkkuus testisarjoilla R2, RMSE ja RPD, vastaavasti 0,916, 1,481 ja 3,53.
Osoitettiin, että usean lähteen datafuusio yhdistettynä äänestysregression integrointialgoritmiin tarjoaa uuden ja tehokkaan menetelmän SPAD-estimointiin puuvillassa.
Postitusaika: 03.12.2024