Bomuld som en vigtig kontantafgrøde og bomuldstekstilindustri råvarer, med stigningen i tæt befolkede områder, bomuld, korn og oliefrø afgrøder jord konkurrenceproblemet er mere og mere alvorligt, brugen af bomuld og korn interkultur kan effektivt afhjælpe modsætningen mellem dyrkning af bomulds- og kornafgrøder, som kan forbedre afgrødens produktivitet og beskyttelse af den økologiske mangfoldighed mv. på. Derfor er det af stor betydning hurtigt og præcist at overvåge væksten af bomuld under intercropping-tilstand.
Multispektrale og synlige billeder af bomuld på tre fertilitetsstadier blev erhvervet af UAV-monterede multispektrale og RGB-sensorer, deres spektrale og billedfunktioner blev ekstraheret, og kombineret med højden af bomuldsplanter på jorden blev bomulds SPAD estimeret ved stemmeregression integreret læring (VRE) og sammenlignet med tre modeller, nemlig Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR) og Support Vector Machine Regression (SVR). . Vi evaluerede estimeringsnøjagtigheden af forskellige estimeringsmodeller på det relative klorofylindhold i bomuld og analyserede virkningerne af forskellige forhold mellem afgrøder mellem bomuld og sojabønner på væksten af bomuld, for at give et grundlag for valget af forholdet mellem afgrøder. mellem bomuld og sojabønner og højpræcisionsvurderingen af bomuld SPAD.
Sammenlignet med RFR-, GBR- og SVR-modeller viste VRE-modellen de bedste estimeringsresultater ved estimering af bomulds-SPAD. Baseret på VRE-estimeringsmodellen havde modellen med multispektrale billedfunktioner, synlige billedfunktioner og plantehøjdefusion som input den højeste nøjagtighed med testsæt R2, RMSE og RPD på henholdsvis 0,916, 1,481 og 3,53.
Det blev vist, at multi-source datafusion kombineret med stemmeregression integration algoritme giver en ny og effektiv metode til SPAD estimering i bomuld.
Posttid: Dec-03-2024