Baumwolle ist ein wichtiger Nutzpflanzen- und Rohstoff für die Baumwolltextilindustrie. Mit der zunehmenden Bevölkerungsdichte verschärft sich die Flächenkonkurrenz zwischen Baumwolle, Getreide und Ölsaaten. Der Mischfruchtanbau kann den Widerspruch zwischen Baumwoll- und Getreideanbau wirksam mildern, die Produktivität steigern und die ökologische Vielfalt schützen. Daher ist es von großer Bedeutung, das Wachstum von Baumwolle im Mischfruchtanbau schnell und genau zu überwachen.
Mit an UAVs montierten Multispektral- und RGB-Sensoren wurden multispektrale und sichtbare Bilder von Baumwolle in drei Fruchtbarkeitsstadien aufgenommen, ihre spektralen und Bildmerkmale extrahiert und in Kombination mit der Höhe der Baumwollpflanzen auf dem Boden die SPAD der Baumwolle durch Voting Regression Integrated Learning (VRE) geschätzt und mit drei Modellen verglichen, nämlich Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR) und Support Vector Machine Regression (SVR). Wir haben die Schätzgenauigkeit verschiedener Schätzmodelle für den relativen Chlorophyllgehalt von Baumwolle bewertet und die Auswirkungen verschiedener Mischfruchtverhältnisse zwischen Baumwolle und Sojabohnen auf das Wachstum der Baumwolle analysiert, um eine Grundlage für die Auswahl des Mischfruchtverhältnisses zwischen Baumwolle und Sojabohnen und die hochpräzise Schätzung der SPAD der Baumwolle zu schaffen.
Im Vergleich zu den RFR-, GBR- und SVR-Modellen zeigte das VRE-Modell die besten Schätzergebnisse bei der Schätzung des Baumwoll-SPAD. Basierend auf dem VRE-Schätzmodell wies das Modell mit multispektralen Bildmerkmalen, sichtbaren Bildmerkmalen und Pflanzenhöhenfusion als Eingaben die höchste Genauigkeit mit Testsatz R2, RMSE und RPD von 0,916, 1,481 bzw. 3,53 auf.
Es wurde gezeigt, dass die Fusion von Daten aus mehreren Quellen in Kombination mit einem Voting-Regressionsintegrationsalgorithmus eine neue und effektive Methode zur SPAD-Schätzung bei Baumwolle bietet.
Veröffentlichungszeit: 03.12.2024