ฝ้ายเป็นพืชเศรษฐกิจที่สำคัญและวัตถุดิบในอุตสาหกรรมสิ่งทอฝ้าย ด้วยการเพิ่มขึ้นของพื้นที่ที่มีประชากรหนาแน่น ปัญหาการแข่งขันที่ดินฝ้าย เมล็ดพืช และเมล็ดพืชน้ำมันมีความรุนแรงมากขึ้นเรื่อย ๆ การใช้ฝ้ายและการปลูกพืชสลับเมล็ดพืชสามารถบรรเทาความขัดแย้งระหว่าง การเพาะปลูกฝ้ายและเมล็ดพืชซึ่งสามารถปรับปรุงผลผลิตของพืชและการปกป้องความหลากหลายทางนิเวศวิทยาเป็นต้น ดังนั้นจึงเป็นเรื่องสำคัญอย่างยิ่งที่จะต้องติดตามการเจริญเติบโตของฝ้ายอย่างรวดเร็วและแม่นยำภายใต้โหมดการปลูกพืชสลับกัน
ภาพหลายสเปกตรัมและมองเห็นได้ของฝ้ายในสามระยะการเจริญพันธุ์ได้มาจากเซ็นเซอร์หลายสเปกตรัมและ RGB ที่ติดตั้ง UAV คุณสมบัติสเปกตรัมและภาพของพวกเขาถูกแยกออกมา และเมื่อรวมกับความสูงของต้นฝ้ายบนพื้น ทำให้ SPAD ของฝ้ายเป็น ประเมินโดย Voting Regression Integrated Learning (VRE) และเปรียบเทียบกับ 3 โมเดล ได้แก่ Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR) และ Support Vector Machine Regression (SVR) - เราประเมินความแม่นยำในการประมาณค่าของแบบจำลองการประมาณค่าต่างๆ เกี่ยวกับปริมาณคลอโรฟิลล์สัมพัทธ์ของฝ้าย และวิเคราะห์ผลกระทบของอัตราส่วนที่แตกต่างกันของการปลูกพืชสลับกันระหว่างฝ้ายและถั่วเหลืองต่อการเจริญเติบโตของฝ้าย เพื่อเป็นพื้นฐานสำหรับการเลือกอัตราส่วนของการปลูกพืชสลับกัน ระหว่างฝ้ายกับถั่วเหลืองกับการประมาณค่าฝ้าย SPAD ที่มีความแม่นยำสูง
เมื่อเปรียบเทียบกับรุ่น RFR, GBR และ SVR แล้ว โมเดล VRE แสดงผลการประมาณที่ดีที่สุดในการประมาณ SPAD ของฝ้าย จากแบบจำลองการประมาณค่า VRE แบบจำลองที่มีคุณสมบัติภาพหลายสเปกตรัม คุณลักษณะภาพที่มองเห็นได้ และการรวมความสูงของพืชเป็นอินพุตมีความแม่นยำสูงสุดด้วยชุดทดสอบ R2, RMSE และ RPD ที่ 0.916, 1.481 และ 3.53 ตามลำดับ
แสดงให้เห็นว่าการรวมข้อมูลหลายแหล่งรวมกับอัลกอริธึมการรวมการถดถอยของการลงคะแนนเสียงทำให้เกิดวิธีการใหม่และมีประสิทธิภาพสำหรับการประมาณค่า SPAD ในฝ้าย
เวลาโพสต์: Dec-03-2024