Katoen is een belangrijk handelsgewas en grondstof voor de katoentextielindustrie. Met de toename van dichtbevolkte gebieden, wordt het probleem van landconcurrentie tussen katoen, graan en oliehoudende gewassen steeds ernstiger. Het gebruik van katoen- en graanmengteelt kan de tegenstelling tussen de teelt van katoen en graan effectief verlichten, wat de productiviteit van het gewas kan verbeteren en de ecologische diversiteit kan beschermen. Daarom is het van groot belang om de katoengroei in mengteelt snel en nauwkeurig te monitoren.
Multispectrale en zichtbare beelden van katoen in drie vruchtbaarheidsstadia werden verkregen door UAV-gemonteerde multispectrale en RGB-sensoren, hun spectrale en beeldkenmerken werden geëxtraheerd en gecombineerd met de hoogte van katoenplanten op de grond, werd de SPAD van katoen geschat door middel van voting regression integrated learning (VRE) en vergeleken met drie modellen, namelijk Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR) en Support Vector Machine Regression (SVR). . We evalueerden de schattingsnauwkeurigheid van verschillende schattingsmodellen op het relatieve chlorofylgehalte van katoen en analyseerden de effecten van verschillende verhoudingen van gemengde teelt tussen katoen en soja op de groei van katoen, om zo een basis te bieden voor de selectie van de verhouding van gemengde teelt tussen katoen en soja en de zeer nauwkeurige schatting van katoen SPAD.
Vergeleken met de RFR-, GBR- en SVR-modellen liet het VRE-model de beste schattingsresultaten zien bij het schatten van SPAD in katoen. Op basis van het VRE-schattingsmodel had het model met multispectrale beeldkenmerken, zichtbare beeldkenmerken en planthoogtefusie als input de hoogste nauwkeurigheid met testset R2, RMSE en RPD van respectievelijk 0,916, 1,481 en 3,53.
Er werd aangetoond dat de combinatie van data uit meerdere bronnen en een integratiealgoritme voor stemregressie een nieuwe en effectieve methode biedt voor het schatten van SPAD in katoen.
Plaatsingstijd: 3 dec. 2024