Kokvilna ir nozīmīga naudas kultūra un kokvilnas tekstilrūpniecības izejviela, un, pieaugot blīvi apdzīvotām vietām, kokvilnas, graudu un eļļas augu zemes konkurences problēma kļūst arvien nopietnāka. Kokvilnas un graudu starpkultūru izmantošana var efektīvi mazināt pretrunas starp kokvilnas un graudu audzēšanu, kas var uzlabot kultūraugu produktivitāti un aizsargāt ekoloģisko daudzveidību utt. Tāpēc ir ļoti svarīgi ātri un precīzi uzraudzīt kokvilnas augšanu starpkultūru režīmā.
Ar bezpilota lidaparātiem (UAV) uzstādītiem multispektrāliem un RGB sensoriem tika iegūti kokvilnas multispektrālie un redzamās gaismas attēli trīs auglības stadijās, tika iegūtas to spektrālās un attēla īpašības, un, apvienojumā ar kokvilnas augu augstumu uz zemes, kokvilnas SPAD tika aprēķināts, izmantojot balsošanas regresijas integrēto mācīšanos (VRE), un salīdzināts ar trim modeļiem, proti, nejaušās meža regresiju (RFR), gradienta pastiprināto koku regresiju (GBR) un atbalsta vektoru mašīnu regresiju (SVR). Mēs novērtējām dažādu novērtēšanas modeļu precizitāti attiecībā uz kokvilnas relatīvo hlorofila saturu un analizējām dažādu kokvilnas un sojas pupiņu starpkultūru attiecību ietekmi uz kokvilnas augšanu, lai nodrošinātu pamatu kokvilnas un sojas pupiņu starpkultūru attiecības izvēlei un augstas precizitātes kokvilnas SPAD novērtēšanai.
Salīdzinot ar RFR, GBR un SVR modeļiem, VRE modelis uzrādīja labākos novērtēšanas rezultātus kokvilnas SPAD novērtēšanā. Pamatojoties uz VRE novērtēšanas modeli, modelim ar multispektrālā attēla pazīmēm, redzamā attēla pazīmēm un auga augstuma saplūšanu kā ievades datiem bija visaugstākā precizitāte ar testa kopas R2, RMSE un RPD attiecīgi 0,916, 1,481 un 3,53.
Tika parādīts, ka vairāku avotu datu sapludināšana apvienojumā ar balsošanas regresijas integrācijas algoritmu nodrošina jaunu un efektīvu SPAD novērtēšanas metodi kokvilnā.
Publicēšanas laiks: 2024. gada 3. decembris