Kokvilna kā svarīga naudas kultūra un kokvilnas tekstilrūpniecības izejviela, palielinoties blīvi apdzīvotām vietām, kokvilnas, graudu un eļļas augu kultūru konkurences problēma kļūst arvien nopietnāka, kokvilnas un graudu starpkultūru izmantošana var efektīvi mazināt pretrunu starp kokvilnas un graudu kultūru audzēšana, kas var uzlabot ražas ražību un ekoloģiskās daudzveidības aizsardzību utt. Tāpēc ir ļoti svarīgi ātri un precīzi uzraudzīt kokvilnas augšanu starpkultūru režīmā.
Daudzspektrālie un redzamie kokvilnas attēli trīs auglības stadijās tika iegūti ar UAV uzstādītiem multispektrālajiem un RGB sensoriem, tika iegūtas to spektrālās un attēla pazīmes, un kopā ar kokvilnas augu augstumu uz zemes tika iegūts kokvilnas SPAD. aprēķināts, balstoties uz integrēto mācīšanos ar regresiju (VRE) un salīdzināts ar trim modeļiem, proti, nejaušo meža regresiju (RFR), gradienta pastiprināto koku regresiju (GBR) un atbalstu. Vector Machine Regression (SVR). . Mēs novērtējām dažādu kokvilnas relatīvā hlorofila satura novērtēšanas modeļu precizitāti un analizējām dažādu kokvilnas un sojas pupiņu starpkultūru attiecību ietekmi uz kokvilnas augšanu, lai nodrošinātu pamatu starpkultūru attiecības izvēlei. starp kokvilnu un sojas pupiņām un augstas precizitātes kokvilnas SPAD novērtēšanu.
Salīdzinot ar RFR, GBR un SVR modeļiem, VRE modelis uzrādīja vislabākos aplēses rezultātus, novērtējot kokvilnas SPAD. Pamatojoties uz VRE novērtējuma modeli, modelim ar daudzspektrālā attēla iezīmēm, redzamām attēla iezīmēm un augu augstuma saplūšanu kā ievades datiem bija visaugstākā precizitāte ar testa komplektu R2, RMSE un RPD attiecīgi 0,916, 1,481 un 3,53.
Tika parādīts, ka vairāku avotu datu saplūšana apvienojumā ar balsošanas regresijas integrācijas algoritmu nodrošina jaunu un efektīvu metodi SPAD noteikšanai kokvilnā.
Izlikšanas laiks: Dec-03-2024