A gyapot, mint fontos kereskedelmi növény és textilipari alapanyag, a sűrűn lakott területek növekedésével a gyapot, a gabona és az olajos magvak közötti földverseny problémája egyre súlyosabbá válik. A gyapot és a gabonafélék köztes termesztése hatékonyan enyhítheti a gyapot és a gabonafélék termesztése közötti ellentmondást, ami javíthatja a növény termelékenységét és védheti az ökológiai sokféleséget. Ezért nagy jelentőséggel bír a gyapot növekedésének gyors és pontos nyomon követése köztes termesztési módban.
Drónokra szerelt multispektrális és látható fényviszonyok melletti érzékelőkkel készítették a gyapot három termékenységi szakaszának multispektrális és látható képeit, kinyerték ezek spektrális és képi jellemzőit, majd a talajon lévő gyapotnövények magasságával kombinálva szavazó regressziós integrált tanulással (VRE) becsülték meg a gyapot SPAD-értékét (SPAD), és összehasonlították három modellel, nevezetesen a véletlenszerű erdőregresszióval (RFR), a gradienssel erősített faregresszióval (GBR) és a támasztóvektor-gépi regresszióval (SVR). Értékeltük a különböző becslési modellek becslési pontosságát a gyapot relatív klorofilltartalmára vonatkozóan, és elemeztük a gyapot és a szójabab közötti különböző arányú közbevetés hatását a gyapot növekedésére, hogy alapot teremtsünk a gyapot és a szójabab közötti közbevetés arányának kiválasztásához és a gyapot SPAD-értékének nagy pontosságú becsléséhez.
Az RFR, GBR és SVR modellekkel összehasonlítva a VRE modell mutatta a legjobb becslési eredményeket a pamut SPAD-értékének becslésében. A VRE becslési modell alapján a multispektrális képjellemzőket, a látható képjellemzőket és a növénymagasság-fúziót bemenetként használó modell mutatta a legnagyobb pontosságot, a teszthalmaz R2, RMSE és RPD értékei rendre 0,916, 1,481 és 3,53 voltak.
Kimutatták, hogy a többforrású adatfúzió a szavazási regressziós integrációs algoritmussal kombinálva új és hatékony módszert kínál a SPAD becslésére pamut esetében.
Közzététel ideje: 2024. dec. 03.