పత్తి ఒక ముఖ్యమైన వాణిజ్య పంట మరియు పత్తి వస్త్ర పరిశ్రమ ముడి పదార్థం, జనసాంద్రత ఎక్కువగా ఉన్న ప్రాంతాలు, పత్తి, ధాన్యం మరియు నూనెగింజల పంటల భూమి పోటీ సమస్య మరింత తీవ్రంగా మారుతోంది, పత్తి మరియు ధాన్యం అంతర పంటల వాడకం పత్తి మరియు ధాన్యం పంటల సాగు మధ్య వైరుధ్యాన్ని సమర్థవంతంగా తగ్గించగలదు, ఇది పంట ఉత్పాదకతను మరియు పర్యావరణ వైవిధ్యాన్ని కాపాడుతుంది. అందువల్ల, అంతర పంట పద్ధతిలో పత్తి పెరుగుదలను త్వరగా మరియు ఖచ్చితంగా పర్యవేక్షించడం చాలా ముఖ్యం.
మూడు సంతానోత్పత్తి దశలలో పత్తి యొక్క బహుళ-వర్ణపటల మరియు దృశ్యమాన చిత్రాలను UAV-మౌంటెడ్ మల్టీ-స్పెక్ట్రల్ మరియు RGB సెన్సార్లు పొందాయి, వాటి వర్ణపట మరియు ఇమేజ్ లక్షణాలను సంగ్రహించాయి మరియు నేలపై పత్తి మొక్కల ఎత్తుతో కలిపి, పత్తి యొక్క SPADని ఓటింగ్ రిగ్రెషన్ ఇంటిగ్రేటెడ్ లెర్నింగ్ (VRE) ద్వారా అంచనా వేయబడింది మరియు రాండమ్ ఫారెస్ట్ రిగ్రెషన్ (RFR), గ్రేడియంట్ బూస్టెడ్ ట్రీ రిగ్రెషన్ (GBR), మరియు సపోర్ట్ వెక్టర్ మెషిన్ రిగ్రెషన్ (SVR) అనే మూడు నమూనాలతో పోల్చారు. . పత్తి యొక్క సాపేక్ష క్లోరోఫిల్ కంటెంట్‌పై వేర్వేరు అంచనా నమూనాల అంచనా ఖచ్చితత్వాన్ని మేము మూల్యాంకనం చేసాము మరియు పత్తి మరియు సోయాబీన్ మధ్య అంతర పంటల యొక్క వివిధ నిష్పత్తుల ప్రభావాలను పత్తి పెరుగుదలపై విశ్లేషించాము, తద్వారా పత్తి మరియు సోయాబీన్ మధ్య అంతర పంట నిష్పత్తి ఎంపికకు మరియు పత్తి SPAD యొక్క అధిక-ఖచ్చితత్వ అంచనాకు ఒక ఆధారాన్ని అందించాము.
RFR, GBR, మరియు SVR మోడళ్లతో పోలిస్తే, VRE మోడల్ పత్తి SPADని అంచనా వేయడంలో ఉత్తమ అంచనా ఫలితాలను చూపించింది. VRE అంచనా నమూనా ఆధారంగా, మల్టీస్పెక్ట్రల్ ఇమేజ్ లక్షణాలు, కనిపించే ఇమేజ్ లక్షణాలు మరియు ఇన్‌పుట్‌లుగా మొక్కల ఎత్తు కలయిక కలిగిన మోడల్ వరుసగా 0.916, 1.481 మరియు 3.53 యొక్క పరీక్ష సెట్ R2, RMSE మరియు RPDతో అత్యధిక ఖచ్చితత్వాన్ని కలిగి ఉంది.
పత్తిలో SPAD అంచనా కోసం ఓటింగ్ రిగ్రెషన్ ఇంటిగ్రేషన్ అల్గోరిథంతో కలిపి బహుళ-మూల డేటా ఫ్యూజన్ ఒక కొత్త మరియు ప్రభావవంతమైన పద్ధతిని అందిస్తుందని చూపబడింది.
పోస్ట్ సమయం: డిసెంబర్-03-2024