Bomull som en viktig kontantavling og bomull tekstilindustri råvarer, med økningen av tettbefolkede områder, bomull, korn og oljefrø avlinger land konkurranse problemet er mer og mer alvorlig, kan bruken av bomull og korn intercropping effektivt lindre motsetningen mellom dyrking av bomull og kornavlinger, som kan forbedre produktiviteten til avlingen og beskyttelse av økologisk mangfold og så på. Derfor er det av stor betydning å raskt og nøyaktig overvåke veksten av bomull under intercropping-modus.
Multispektrale og synlige bilder av bomull i tre fruktbarhetsstadier ble tatt av UAV-monterte multispektrale og RGB-sensorer, deres spektrale og bildefunksjoner ble trukket ut, og kombinert med høyden til bomullsplanter på bakken, ble SPAD av bomull estimert ved stemmeregresjonsintegrert læring (VRE) og sammenlignet med tre modeller, nemlig Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR), og støtte vektormaskinregresjon (SVR). . Vi evaluerte estimeringsnøyaktigheten til forskjellige estimeringsmodeller på det relative klorofyllinnholdet i bomull, og analyserte effektene av ulike forhold mellom avling mellom bomull og soyabønner på veksten av bomull, for å gi et grunnlag for valg av forholdet mellom avling. mellom bomull og soyabønner og høypresisjonsestimatet av bomull SPAD.
Sammenlignet med RFR-, GBR- og SVR-modeller, viste VRE-modellen de beste estimeringsresultatene ved estimering av bomull SPAD. Basert på VRE-estimeringsmodellen hadde modellen med multispektrale bildefunksjoner, synlige bildefunksjoner og plantehøydefusjon som innganger den høyeste nøyaktigheten med testsett R2, RMSE og RPD på henholdsvis 0,916, 1,481 og 3,53.
Det ble vist at multi-kilde datafusjon kombinert med stemmeregresjonsintegrasjonsalgoritme gir en ny og effektiv metode for SPAD-estimering i bomull.
Innleggstid: Des-03-2024