Baumwolle ist ein wichtiger Rohstoff für Geldernte und Baumwolltextilindustrie. Mit der Zunahme dicht besiedelter Gebiete wird das Problem der Landkonkurrenz beim Anbau von Baumwolle, Getreide und Ölsaaten immer gravierender Anbau von Baumwolle und Getreide, was die Produktivität der Kulturpflanzen und den Schutz der ökologischen Vielfalt verbessern kann usw. Daher ist es von großer Bedeutung, das Wachstum der Baumwolle im Zwischenfruchtanbau schnell und genau zu überwachen.
Multispektrale und sichtbare Bilder von Baumwolle in drei Fruchtbarkeitsstadien wurden mit UAV-montierten Multispektral- und RGB-Sensoren aufgenommen, ihre Spektral- und Bildmerkmale wurden extrahiert und in Kombination mit der Höhe der Baumwollpflanzen auf dem Boden der SPAD der Baumwolle ermittelt geschätzt durch Voting Regression Integrated Learning (VRE) und verglichen mit drei Modellen, nämlich Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR) und Support Vector Machine Regression (SVR). . Wir bewerteten die Schätzgenauigkeit verschiedener Schätzmodelle für den relativen Chlorophyllgehalt von Baumwolle und analysierten die Auswirkungen unterschiedlicher Zwischenfruchtverhältnisse zwischen Baumwolle und Sojabohnen auf das Baumwollwachstum, um eine Grundlage für die Auswahl des Zwischenfruchtverhältnisses zu schaffen zwischen Baumwolle und Soja und die hochpräzise Schätzung des Baumwoll-SPAD.
Im Vergleich zu RFR-, GBR- und SVR-Modellen zeigte das VRE-Modell die besten Schätzergebnisse bei der Schätzung des Baumwoll-SPAD. Basierend auf dem VRE-Schätzmodell hatte das Modell mit multispektralen Bildmerkmalen, sichtbaren Bildmerkmalen und Pflanzenhöhenfusion als Eingaben die höchste Genauigkeit mit dem Testsatz R2, RMSE und RPD von 0,916, 1,481 bzw. 3,53.
Es wurde gezeigt, dass die Datenfusion aus mehreren Quellen in Kombination mit dem Abstimmungsregressionsintegrationsalgorithmus eine neue und effektive Methode zur SPAD-Schätzung bei Baumwolle darstellt.
Zeitpunkt der Veröffentlichung: 03.12.2024