A gyapot, mint fontos készpénz- és pamuttextilipar nyersanyag, a sűrűn lakott területek növekedésével a gyapot, a gabona és az olajos magvak termőföldjei versenyproblémái egyre súlyosabbak, a gyapot és a szemek közti termesztése hatékonyan enyhítheti az ellentmondást gyapot és gabonanövények termesztése, amely javíthatja a termés termelékenységét és az ökológiai sokféleség védelmét és így tovább. Ezért nagy jelentősége van a gyapot növekedésének gyors és pontos nyomon követésének közbevetési módban.
UAV-ra szerelt multi-spektrális és RGB érzékelőkkel a gyapot három termékenységi stádiumában lévő többspektrális és látható képét gyűjtöttük, spektrális és képi jellemzőit kinyertük, és a gyapotnövények talajon való magasságával kombinálva a gyapot SPAD-ját. szavazásos regressziós integrált tanulással (VRE) becsülik meg, és három modellel hasonlítják össze, nevezetesen a Random Forest Regression (RFR), a Gradient Boosted Tree Regression (GBR) és a támogatási modellel. Vector Machine Regression (SVR). . Értékeltük a különböző becslési modellek pontosságát a gyapot relatív klorofilltartalmára vonatkozóan, és elemeztük a gyapot és a szója közötti különböző arányú termesztési hatásokat a gyapot növekedésére, hogy alapot nyújtsunk a közbevetés arányának kiválasztásához. a pamut és a szójabab között, valamint a pamut SPAD nagy pontosságú becslése.
Az RFR, GBR és SVR modellekkel összehasonlítva a VRE modell mutatta a legjobb becslési eredményeket a pamut SPAD becslésében. A VRE becslési modell alapján a multispektrális képjellemzőket, a látható képi jellemzőket és a növénymagasság-fúziót mint bemenetet tartalmazó modell volt a legnagyobb pontosság az R2, RMSE és RPD tesztkészlettel 0,916, 1,481 és 3,53.
Kimutatták, hogy a többforrású adatfúzió és a szavazási regressziós integrációs algoritmus egy új és hatékony módszert biztosít a SPAD becslésére gyapotban.
Feladás időpontja: 2024. december 03