Önemli bir nakit ürünü ve pamuklu tekstil endüstrisi hammaddesi olan pamuk, yoğun nüfuslu alanların artmasıyla birlikte pamuk, tahıl ve yağlı tohumlu ürünler arasında arazi rekabeti sorunu giderek daha da ciddi hale gelmektedir. Pamuk ve tahıl ekiminin birlikte uygulanması, pamuk ve tahıl ürünleri yetiştiriciliği arasındaki çelişkiyi etkili bir şekilde hafifletebilir, bu da ürünün verimliliğini artırabilir ve ekolojik çeşitliliğin korunmasını sağlayabilir. Bu nedenle, pamuk ekiminin birlikte uygulanması durumunda pamuk büyümesinin hızlı ve doğru bir şekilde izlenmesi büyük önem taşımaktadır.
Üç doğurganlık aşamasındaki 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 yerdeki 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 üzerinde farklı tahmin modellerinin tahmin doğruluğunu değerlendirdik ve pamuk ile soya fasulyesi arasındaki farklı oranlarda karışık ekimin pamuk büyümesi üzerindeki etkilerini analiz ettik, böylece pamuk ile soya fasulyesi arasındaki karışık ekim oranının seçimi ve pamuk SPAD'ının yüksek hassasiyetli tahmini için bir temel oluşturduk.
RFR, GBR ve SVR modelleriyle karşılaştırıldığında, VRE modeli pamuk SPAD tahmininde en iyi tahmin sonuçlarını göstermiştir. VRE tahmin modeline göre, girdi olarak çok spektral görüntü özellikleri, görünür görüntü özellikleri ve bitki boyu füzyonu kullanan model, sırasıyla 0,916, 1,481 ve 3,53 test seti R2, RMSE ve RPD değerleriyle en yüksek doğruluğa sahiptir.
Çoklu kaynaklı veri birleştirmenin oylama regresyon entegrasyon algoritmasıyla birleştirilmesinin pamukta SPAD tahmini için yeni ve etkili bir yöntem sağladığı gösterilmiştir.
Gönderi zamanı: 03-12-2024