Bomull som en viktig kontantgröda och bomull textilindustrin råvaror, med ökningen av tätbefolkade områden, bomull, spannmål och oljeväxter mark konkurrens problem är mer och mer allvarligt, kan användningen av bomull och spannmål samodling effektivt lindra motsättningen mellan odling av bomulls- och spannmålsgrödor, vilket kan förbättra grödans produktivitet och skydda den ekologiska mångfalden och så på. Därför är det av stor betydelse att snabbt och noggrant övervaka tillväxten av bomull under intercropping-läge.
Multispektrala och synliga bilder av bomull i tre fertilitetsstadier förvärvades av UAV-monterade multispektrala och RGB-sensorer, deras spektral- och bildegenskaper extraherades, och kombinerat med bomullsväxternas höjd på marken, var bomullens SPAD uppskattad genom röstregression integrerad inlärning (VRE) och jämförd med tre modeller, nämligen Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR) och Support Vector Machine Regression (SVR). . Vi utvärderade uppskattningsnoggrannheten för olika uppskattningsmodeller på det relativa klorofyllinnehållet i bomull, och analyserade effekterna av olika kvoter mellan odling mellan bomull och sojabönor på tillväxten av bomull, för att ge en grund för valet av kvoten mellan odling. mellan bomull och sojabönor och högprecisionsuppskattningen av bomull SPAD.
Jämfört med RFR-, GBR- och SVR-modeller visade VRE-modellen de bästa uppskattningsresultaten vid uppskattning av bomull SPAD. Baserat på VRE-uppskattningsmodellen hade modellen med multispektrala bildegenskaper, synliga bildegenskaper och växthöjdsfusion som indata den högsta noggrannheten med testset R2, RMSE och RPD på 0,916, 1,481 respektive 3,53.
Det visades att datafusion med flera källor i kombination med röstregressionsintegrationsalgoritm ger en ny och effektiv metod för SPAD-uppskattning i bomull.
Posttid: Dec-03-2024