Bomull är en viktig handelsgröda och råvara för bomullstextilindustrin. Med ökningen av tätbefolkade områden blir konkurrensen kring mark för bomull, spannmål och oljeväxter allt allvarligare. Användningen av samodling av bomull och spannmål kan effektivt minska motsättningarna mellan odling av bomull och spannmål, vilket kan förbättra grödans produktivitet och skydda den ekologiska mångfalden. Därför är det av stor betydelse att snabbt och noggrant övervaka bomullens tillväxt under samodling.
Multispektrala och synliga bilder av bomull vid tre fertilitetsstadier togs med hjälp av UAV-monterade multispektrala och RGB-sensorer. Deras spektrala och bildegenskaper extraherades. I kombination med bomullsplantornas höjd på marken uppskattades bomullens SPAD genom votting regression integrated learning (VRE) och jämfördes med tre modeller, nämligen Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR) och Support Vector Machine Regression (SVR). Vi utvärderade uppskattningsnoggrannheten hos olika uppskattningsmodeller för den relativa klorofyllhalten i bomull och analyserade effekterna av olika förhållanden mellan samodling mellan bomull och sojabönor på bomullens tillväxt, för att ge en grund för valet av förhållandet mellan samodling mellan bomull och sojabönor och den högprecisionsuppskattningen av bomulls-SPAD.
Jämfört med RFR-, GBR- och SVR-modellerna visade VRE-modellen de bästa uppskattningsresultaten för att uppskatta SPAD för bomull. Baserat på VRE-uppskattningsmodellen hade modellen med multispektrala bildegenskaper, synliga bildegenskaper och planthöjdsfusion som indata den högsta noggrannheten med testuppsättningarna R2, RMSE och RPD på 0,916, 1,481 respektive 3,53.
Det visades att datafusion från flera källor i kombination med integrationsalgoritmen för voteringsregression ger en ny och effektiv metod för SPAD-estimering i bomull.
Publiceringstid: 3 december 2024