Bombaž kot pomembna tržna kultura in surovina za bombažno tekstilno industrijo se z naraščanjem gosto poseljenih območij in problemom konkurence med zemljišči za bombaž, žito in oljnice vse bolj zaostruje problem. Uporaba mešanih posevkov med bombažem in žitom lahko učinkovito ublaži protislovje med gojenjem bombaža in žitaric, kar lahko izboljša produktivnost pridelka in zaščiti ekološko raznovrstnost. Zato je zelo pomembno hitro in natančno spremljanje rasti bombaža v mešanem načinu posevka.
Z večspektralnimi in RGB senzorji, nameščenimi na brezpilotnih letalnikih, smo pridobili večspektralne in vidne slike bombaža v treh fazah rodnosti. Njihove spektralne in slikovne značilnosti smo izluščili. V kombinaciji z višino rastlin bombaža na tleh smo z integriranim učenjem z regresijo glasovanja (VRE) ocenili SPAD bombaža in ga primerjali s tremi modeli, in sicer z regresijo naključnih gozdov (RFR), regresijo dreves z gradientnim povečanjem (GBR) in regresijo podpornih vektorjev (SVR). Ocenili smo natančnost ocenjevanja različnih modelov ocenjevanja relativne vsebnosti klorofila v bombažu in analizirali učinke različnih razmerij medsebojnega sajenja med bombažem in sojo na rast bombaža, da bi zagotovili osnovo za izbiro razmerja medsebojnega sajenja med bombažem in sojo ter visoko natančno oceno SPAD bombaža.
V primerjavi z modeli RFR, GBR in SVR je model VRE pokazal najboljše rezultate ocenjevanja pri ocenjevanju SPAD bombaža. Na podlagi modela ocenjevanja VRE je imel model z vhodnimi podatki za multispektralne slikovne značilnosti, vidne slikovne značilnosti in fuzijo višine rastlin najvišjo natančnost s testnim nizom R2, RMSE in RPD 0,916, 1,481 oziroma 3,53.
Pokazalo se je, da združevanje večvirnih podatkov v kombinaciji z algoritmom integracije regresije glasovanja zagotavlja novo in učinkovito metodo za oceno SPAD pri bombažu.
Čas objave: 3. dec. 2024