Katun minangka potong awis penting lan bahan baku industri tekstil katun, karo Tambah saka wilayah padhet pedunungé, katun, gandum lan oilseed crops masalah kompetisi tanah liyane lan liyane serius, nggunakake intercropping katun lan gandum bisa èfèktif ngenthengake kontradiksi antarane budidoyo saka katun lan gandum crops, kang bisa nambah produktivitas saka potong lan pangayoman saka macem-macem ekologis. 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 diekstraksi, lan digabungake karo dhuwur tanduran kapas ing lemah, SPAD kapas ditaksir kanthi voting regression integrated learning (VRE) lan dibandhingake karo telung model, yaiku, Regression Forest Random (RGB) 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 kedelai ing wutah saka kapas, supaya bisa kanggo nyedhiyani basis kanggo pilihan saka rasio intercropping antarane kapas lan kedele lan estimasi presisi dhuwur saka kapas 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