Kapas minangka potong awis penting lan bahan mentah industri tekstil katun, kanthi nambah wilayah sing padhet pedunung, kapas, gandum lan wiji lenga masalah kompetisi tanah liyane lan liyane serius, nggunakake katun lan gandum intercropping bisa èfèktif ngenthengake kontradiksi antarane budidoyo saka katun lan gandum crops, kang bisa nambah produktivitas saka potong lan pangayoman bhinéka ekologis lan ing. Mulane, penting banget kanggo ngawasi pertumbuhan kapas kanthi cepet lan akurat ing mode intercropping.
Gambar katun multi-spektral lan katon ing telung tahap kesuburan dipikolehi dening sensor multi-spektral lan RGB sing dipasang ing UAV, fitur spektral lan gambar kasebut diekstraksi, lan digabungake karo dhuwur tanduran katun ing lemah, SPAD katun ana. ditaksir kanthi voting regression integrated learning (VRE) lan dibandhingake karo telung model, yaiku, Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR), lan Support Vector. Regresi Mesin (SVR). . Kita ngevaluasi akurasi estimasi model estimasi beda ing isi klorofil relatif saka kapas, lan nganalisa efek saka rasio beda intercropping antarane kapas lan kedele ing wutah saka kapas, supaya bisa nyedhiyani basis kanggo pilihan saka rasio intercropping. antarane katun lan kedele lan perkiraan presisi dhuwur saka katun SPAD.
Dibandhingake karo model RFR, GBR, lan SVR, model VRE nuduhake asil estimasi paling apik kanggo ngira SPAD katun. Adhedhasar model estimasi VRE, model kanthi fitur citra multispektral, fitur gambar sing katon, lan fusi dhuwur tanduran minangka input nduweni akurasi paling dhuwur kanthi set uji R2, RMSE, lan RPD masing-masing 0.916, 1.481, lan 3.53.
Dituduhake manawa gabungan data multi-sumber sing digabungake karo algoritma integrasi regresi voting nyedhiyakake cara anyar lan efektif kanggo ngira SPAD ing katun.
Wektu kirim: Dec-03-2024