Katoen as 'n belangrike kontantgewas en katoen tekstielbedryf grondstowwe, met die toename van digbevolkte gebiede, katoen, graan en oliesade gewasse land kompetisie probleem is meer en meer ernstig, die gebruik van katoen en graan intercropping kan effektief die teenstrydigheid tussen die verbouing van katoen- en graangewasse, wat die produktiwiteit van die gewas kan verbeter en die beskerming van ekologiese diversiteit en so aan. Daarom is dit van groot belang om die groei van katoen vinnig en akkuraat te monitor onder tussenverbouingsmodus.
Multispektrale en sigbare beelde van katoen in drie vrugbaarheidstadia is verkry deur UAV-gemonteerde multispektrale en RGB-sensors, hul spektrale en beeldkenmerke is onttrek, en gekombineer met die hoogte van katoenplante op die grond, was die SPAD van katoen beraam deur stemregressie-geïntegreerde leer (VRE) en vergelyk met drie modelle, naamlik Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR), en Ondersteun vektormasjienregressie (SVR). . Ons het die skattingsakkuraatheid van verskillende skattingsmodelle op die relatiewe chlorofil-inhoud van katoen geëvalueer, en die effek van verskillende verhoudings van tussenverbouing tussen katoen en sojabone op die groei van katoen ontleed, om sodoende 'n basis te verskaf vir die keuse van die verhouding van tussenverbouing tussen katoen en sojaboon en die hoë-presisie skatting van katoen SPAD.
In vergelyking met RFR-, GBR- en SVR-modelle het die VRE-model die beste skattingsresultate getoon in die skatting van katoen SPAD. Gebaseer op die VRE-skattingsmodel, het die model met multispektrale beeldkenmerke, sigbare beeldkenmerke en planthoogtesamesmelting as insette die hoogste akkuraatheid gehad met toetsstel R2, RMSE en RPD van onderskeidelik 0.916, 1.481 en 3.53.
Daar is getoon dat multi-bron data samesmelting gekombineer met stemregressie integrasie algoritme 'n nuwe en effektiewe metode vir SPAD skatting in katoen verskaf.
Postyd: Des-03-2024