Il cotone come un importante raccolto in contanti e le materie prime dell'industria tessile di cotone, con l'aumento di aree densamente popolate, il problema del cotone, del grano e dei semi oleosi è sempre più grave, l'uso del cotone e del grano si interrompe può effettivamente alleviare la contraddizione tra la coltivazione di colture di cotone e grano, che può migliorare la produttività della coltura e la protezione della protezione ecologica e Pertanto, è di grande significato monitorare rapidamente e accuratamente la crescita del cotone in modalità intercropping.

Immagini multispettrali e visibili di cotone in tre fasi di fertilità sono state acquisite da sensori multi-spettrali e RGB montati su UAV, sono state estratte le loro caratteristiche spettrali e dell'immagine e combinate con l'altezza delle piante di cotone sul terreno, la Spad di cotone è stata stimata per la regressione dell'apprendimento della regressione (VRE) e confrontato con tre modelli, Namely Regress) (GBR) e Support Vector Machine Regression (SVR). . Abbiamo valutato l'accuratezza della stima di diversi modelli di stima sul contenuto di clorofilla relativa del cotone e abbiamo analizzato gli effetti di diversi rapporti di intercropping tra cotone e soia sulla crescita del cotone, in modo da fornire una base per la selezione del rapporto di intercropping tra cotone e soia e la stima ad alta precisione.
Rispetto ai modelli RFR, GBR e SVR, il modello VRE ha mostrato i migliori risultati di stima nella stima dello spad di cotone. Sulla base del modello di stima VRE, il modello con caratteristiche di immagine multispettrale, caratteristiche dell'immagine visibile e fusione dell'altezza dell'impianto poiché gli ingressi avevano la massima precisione con set di test R2, RMSE e RPD di 0,916, 1.481 e 3,53, rispettivamente.

È stato dimostrato che la fusione di dati multi-source combinata con l'algoritmo di integrazione della regressione del voto fornisce un nuovo ed efficace metodo per la stima degli SPAD nel cotone.
Tempo post: DEC-03-2024