Önemli bir nakit mahsulü ve pamuk tekstil endüstrisi hammaddesi olan pamuk, yoğun nüfuslu alanların artmasıyla birlikte pamuk, tahıl ve yağ tohumu mahsulleri arazi rekabeti sorunu giderek daha ciddi hale geliyor, pamuk ve tahıl ara ekiminin kullanımı pamuk ve tahıl mahsulleri yetiştiriciliği arasındaki çelişkiyi etkili bir şekilde hafifletebilir, bu da mahsulün verimliliğini ve ekolojik çeşitliliğin korunmasını vb. artırabilir. Bu nedenle, ara ekim modunda pamuğun büyümesini hızlı ve doğru bir şekilde izlemek büyük önem taşımaktadır.
Üç doğurganlık aşamasında pamuğun çok spektral ve görünür görüntüleri İHA'ya monte edilmiş çok spektral ve RGB sensörler tarafından elde edildi, spektral ve görüntü özellikleri çıkarıldı ve pamuk bitkilerinin zemindeki yüksekliği ile birleştirilerek pamuğun SPAD'ı oylama regresyon entegre öğrenme (VRE) ile tahmin edildi ve üç model, yani Rastgele Orman Regresyonu (RFR), Gradient Boosted Tree Regresyonu (GBR) ve Destek Vektör Makinesi Regresyonu (SVR) ile karşılaştırıldı. Pamuğun göreceli klorofil içeriği üzerindeki farklı tahmin modellerinin tahmin doğruluğunu değerlendirdik ve pamuk ile soya fasulyesi arasındaki farklı ara ekim oranlarının pamuk büyümesi üzerindeki etkilerini analiz ettik, böylece pamuk ile soya fasulyesi arasındaki ara ekim oranının seçimi ve pamuk SPAD'ının yüksek hassasiyetli tahmini için bir temel oluşturduk.
RFR, GBR ve SVR modelleriyle karşılaştırıldığında, VRE modeli pamuk SPAD'ını tahmin etmede en iyi tahmin sonuçlarını gösterdi. VRE tahmin modeline dayanarak, girdi olarak çok bantlı görüntü özellikleri, görünür görüntü özellikleri ve bitki boyu füzyonu olan model, sırasıyla 0,916, 1,481 ve 3,53'lük test seti R2, RMSE ve RPD ile en yüksek doğruluğa sahipti.
Çoklu kaynaklı veri birleştirme yönteminin oylama regresyon entegrasyon algoritması ile birleştirilmesinin pamukta SPAD tahmini için yeni ve etkili bir yöntem sağladığı gösterilmiştir.
Gönderi zamanı: 03-12-2024