Kapas sebagai tanaman komersial penting dan bahan baku industri tekstil kapas, dengan meningkatnya kepadatan penduduk, masalah persaingan lahan tanaman kapas, padi-padian, dan minyak sayur semakin serius, penggunaan tumpang sari kapas dan padi-padian dapat secara efektif mengurangi kontradiksi antara budidaya tanaman kapas dan padi-padian, yang dapat meningkatkan produktivitas tanaman dan perlindungan keanekaragaman ekologi dan sebagainya. Oleh karena itu, sangat penting untuk memantau pertumbuhan kapas dengan cepat dan akurat dalam mode tumpang sari.
Citra multispektral dan tampak kapas pada tiga tingkat kesuburan diperoleh dengan sensor multispektral dan RGB yang dipasang pada UAV, fitur spektral dan citranya diekstraksi, dan dikombinasikan dengan tinggi tanaman kapas di tanah, SPAD kapas diestimasi dengan voting regression integrated learning (VRE) dan dibandingkan dengan tiga model, yaitu Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR), dan Support Vector Machine Regression (SVR). Kami mengevaluasi akurasi estimasi berbagai model estimasi terhadap kandungan klorofil relatif kapas, dan menganalisis pengaruh rasio tumpang sari yang berbeda antara kapas dan kedelai terhadap pertumbuhan kapas, sehingga dapat memberikan dasar untuk pemilihan rasio tumpang sari antara kapas dan kedelai serta estimasi SPAD kapas dengan presisi tinggi.
Dibandingkan dengan model RFR, GBR, dan SVR, model VRE menunjukkan hasil estimasi terbaik dalam memperkirakan SPAD kapas. Berdasarkan model estimasi VRE, model dengan fitur citra multispektral, fitur citra tampak, dan fusi tinggi tanaman sebagai input memiliki akurasi tertinggi dengan set uji R2, RMSE, dan RPD masing-masing sebesar 0,916, 1,481, dan 3,53.
Telah ditunjukkan bahwa penggabungan data multi-sumber yang dikombinasikan dengan algoritma integrasi regresi pemungutan suara memberikan metode baru dan efektif untuk estimasi SPAD pada kapas.
Waktu posting: 03-Des-2024