Katoen als een belangrijke grondstoffen voor het oogst en katoen textielindustrie, met de toename van dichtbevolkte gebieden, katoenen, graan- en oliezaadwassen Landconcurrentieprobleem is steeds ernstiger, het gebruik van katoen en graan tussencropping kan effectief de tegenspraak tussen de cultivatie van katoen- en korrelgewassen verbeteren, die de productiviteit van de gewas en de bescherming van de ecologische diversiteit en zo kunnen verbeteren. Daarom is het van groot belang om de groei van katoen snel en nauwkeurig te controleren in de intercropping -modus.

Multi-spectral and visible images of cotton at three fertility stages were acquired by UAV-mounted multi-spectral and RGB sensors, their spectral and image features were extracted, and combined with the height of cotton plants on the ground, the SPAD of cotton was estimated by voting regression integrated learning (VRE) and compared with three models, namely, Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR), and Ondersteuning vector machine regressie (SVR). . We evalueerden de schattingsnauwkeurigheid van verschillende schattingsmodellen op het relatieve chlorofylgehalte van katoen en analyseerden de effecten van verschillende verhoudingen van intercropping tussen katoen en sojabonen op de groei van katoen, om een basis te bieden voor de selectie van de verhouding tussen katoen en sojabean en de hoge precie-schatting van katoenspad.
In vergelijking met RFR-, GBR- en SVR -modellen vertoonde het VRE -model de beste schattingsresultaten bij het schatten van katoenspad. Gebaseerd op het VRE -schattingsmodel, had het model met multispectrale beeldkenmerken, zichtbare beeldkenmerken en planthoogte -fusie als input de hoogste nauwkeurigheid met testset R2, RMSE en RPD van respectievelijk 0,916, 1.481 en 3,53.

Er werd aangetoond dat multi-source gegevensfusie in combinatie met stemregressie-integratie-algoritme een nieuwe en effectieve methode biedt voor SPAD-schatting in katoen.
Posttijd: dec-03-2024