Bomull er en viktig salgsavling og råmateriale for bomullstekstilindustrien. Med økningen i tettbygde områder blir konkurranseproblemet rundt bomull, korn og oljevekster stadig mer alvorlig. Bruk av samdyrking av bomull og korn kan effektivt redusere motsetningen mellom dyrking av bomull og korn, noe som kan forbedre produktiviteten til avlingen og beskytte det økologiske mangfoldet, og så videre. Derfor er det av stor betydning å raskt og nøyaktig overvåke bomullsveksten under samdyrking.
Multispektrale og synlige bilder av bomull i tre fruktbarhetsstadier ble innhentet av UAV-monterte multispektrale og RGB-sensorer. Deres spektrale og bildeegenskaper ble ekstrahert, og kombinert med høyden på bomullsplantene på bakken ble SPAD for bomull estimert ved hjelp av integrert læring med voting regresion (VRE) og sammenlignet med tre modeller, nemlig Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR) og Support Vector Machine Regression (SVR). Vi evaluerte estimeringsnøyaktigheten til forskjellige estimeringsmodeller på det relative klorofyllinnholdet i bomull, og analyserte effektene av forskjellige forhold mellom mellomvekst mellom bomull og soyabønner på bomullsveksten, for å gi et grunnlag for valg av forholdet mellom mellomvekst mellom bomull og soyabønner og høy-presisjonsestimering av bomulls-SPAD.
Sammenlignet med RFR-, GBR- og SVR-modellene viste VRE-modellen de beste estimeringsresultatene i estimering av SPAD for bomull. Basert på VRE-estimeringsmodellen hadde modellen med multispektrale bildefunksjoner, synlige bildefunksjoner og plantehøydefusjon som input den høyeste nøyaktigheten med testsettene R2, RMSE og RPD på henholdsvis 0,916, 1,481 og 3,53.
Det ble vist at datafusjon fra flere kilder kombinert med integrasjonsalgoritmen for avstemningsregresjon gir en ny og effektiv metode for SPAD-estimering i bomull.
Publisert: 03. des. 2024