Kapas sebagai tanaman kontan yang penting dan bahan mentah industri tekstil kapas, dengan peningkatan kawasan padat penduduk, kapas, bijirin dan tanaman biji minyak masalah persaingan tanah semakin serius, penggunaan kapas dan selingan bijirin dapat mengurangkan percanggahan antara penanaman kapas dan tanaman bijirin, yang boleh meningkatkan produktiviti tanaman dan kepelbagaian ekologi dan kepelbagaian tanaman. Oleh itu, adalah sangat penting untuk memantau pertumbuhan kapas dengan cepat dan tepat di bawah mod tumpang tanam.
Imej kapas berbilang spektrum dan boleh dilihat pada tiga peringkat kesuburan telah diperolehi oleh penderia berbilang spektrum dan RGB yang dipasang UAV, ciri spektrum dan imej mereka telah diekstrak, dan digabungkan dengan ketinggian tumbuhan kapas di atas tanah, SPAD kapas dianggarkan melalui pembelajaran bersepadu regresi undian (VRE) dan dibandingkan dengan tiga model, iaitu, Regresi Hutan Rawak (RGBR), Regresi Hutan Random (RGBR). Regresi Mesin (SVR). . Kami menilai ketepatan anggaran model anggaran yang berbeza pada kandungan klorofil relatif kapas, dan menganalisis kesan nisbah yang berbeza bagi tanaman selingan antara kapas dan kacang soya ke atas pertumbuhan kapas, supaya dapat menyediakan asas untuk pemilihan nisbah tanaman selingan antara kapas dan kacang soya dan anggaran ketepatan tinggi kapas SPAD.
Berbanding dengan model RFR, GBR dan SVR, model VRE menunjukkan keputusan anggaran terbaik dalam menganggarkan SPAD kapas. Berdasarkan model anggaran VRE, model dengan ciri imej berbilang spektrum, ciri imej boleh dilihat dan gabungan ketinggian tumbuhan sebagai input mempunyai ketepatan tertinggi dengan set ujian R2, RMSE dan RPD masing-masing 0.916, 1.481 dan 3.53.
Telah ditunjukkan bahawa gabungan data berbilang sumber digabungkan dengan algoritma penyepaduan regresi pengundian menyediakan kaedah baharu dan berkesan untuk anggaran SPAD dalam kapas.
Masa siaran: Dis-03-2024