Bomuld er en vigtig salgsafgrøde og råmateriale til bomuldstekstilindustrien. Med stigningen i tætbefolkede områder bliver konkurrencen på jord inden for bomuld, korn og oliefrøafgrøder mere og mere alvorlig. Brugen af samdyrkning af bomuld og korn kan effektivt afhjælpe modsætningen mellem dyrkning af bomuld og kornafgrøder, hvilket kan forbedre afgrødens produktivitet og beskytte den økologiske mangfoldighed osv. Derfor er det af stor betydning hurtigt og præcist at overvåge bomuldsvæksten under samdyrkning.
Multispektrale og synlige billeder af bomuld i tre fertilitetsstadier blev erhvervet af UAV-monterede multispektrale og RGB-sensorer. Deres spektrale og billedlige egenskaber blev udtrukket, og kombineret med bomuldsplanternes højde på jorden blev bomuldens SPAD estimeret ved hjælp af voting regression integrated learning (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 for det relative klorofylindhold i bomuld og analyserede virkningerne af forskellige forhold mellem afgrøder mellem bomuld og sojabønne på bomuldens vækst for at danne et grundlag for valget af forholdet mellem afgrøder mellem bomuld og sojabønne samt den højpræcisionsestimering af bomulds-SPAD.
Sammenlignet med RFR-, GBR- og SVR-modellerne viste VRE-modellen de bedste estimeringsresultater i estimeringen af bomulds SPAD. Baseret på VRE-estimeringsmodellen havde modellen med multispektrale billedtræk, synlige billedtræk og plantehøjdefusion som input den højeste nøjagtighed med testsættene R2, RMSE og RPD på henholdsvis 0,916, 1,481 og 3,53.
Det blev vist, at datafusion fra flere kilder kombineret med en integrationsalgoritme for afstemningsregression giver en ny og effektiv metode til SPAD-estimering i bomuld.
Opslagstidspunkt: 3. dec. 2024