పత్తి ఒక ముఖ్యమైన వాణిజ్య పంట మరియు పత్తి వస్త్ర పరిశ్రమ ముడి పదార్థాలు, జనసాంద్రత ఉన్న ప్రాంతాల పెరుగుదల, పత్తి, ధాన్యం మరియు నూనెగింజల పంటల భూమి పోటీ సమస్య మరింత తీవ్రంగా ఉంది, పత్తి మరియు ధాన్యం అంతరపంటల వాడకం వల్ల వాటి మధ్య వైరుధ్యాన్ని సమర్థవంతంగా తగ్గించవచ్చు. పత్తి మరియు ధాన్యం పంటల సాగు, ఇది పంట యొక్క ఉత్పాదకతను మెరుగుపరుస్తుంది మరియు పర్యావరణ వైవిధ్యం యొక్క రక్షణ మరియు మొదలైనవి. అందువల్ల, అంతరపంట పద్ధతిలో పత్తి పెరుగుదలను త్వరగా మరియు కచ్చితంగా పర్యవేక్షించడం చాలా ముఖ్యమైనది.
మూడు సంతానోత్పత్తి దశలలో పత్తి యొక్క బహుళ-వర్ణపట మరియు కనిపించే చిత్రాలు UAV-మౌంటెడ్ మల్టీ-స్పెక్ట్రల్ మరియు RGB సెన్సార్‌ల ద్వారా పొందబడ్డాయి, వాటి స్పెక్ట్రల్ మరియు ఇమేజ్ ఫీచర్‌లు సంగ్రహించబడ్డాయి మరియు భూమిపై ఉన్న పత్తి మొక్కల ఎత్తుతో కలిపి, పత్తి యొక్క SPAD ఓటింగ్ రిగ్రెషన్ ఇంటిగ్రేటెడ్ లెర్నింగ్ (VRE) ద్వారా అంచనా వేయబడింది మరియు రాండమ్ ఫారెస్ట్ రిగ్రెషన్ (RFR), గ్రేడియంట్ అనే మూడు నమూనాలతో పోల్చబడింది బూస్ట్డ్ ట్రీ రిగ్రెషన్ (GBR), మరియు సపోర్ట్ వెక్టర్ మెషిన్ రిగ్రెషన్ (SVR). . మేము పత్తి యొక్క సాపేక్ష క్లోరోఫిల్ కంటెంట్‌పై వేర్వేరు అంచనా నమూనాల అంచనా ఖచ్చితత్వాన్ని అంచనా వేసాము మరియు పత్తి పెరుగుదలపై పత్తి మరియు సోయాబీన్ మధ్య అంతర పంటల యొక్క వివిధ నిష్పత్తుల ప్రభావాలను విశ్లేషించాము, తద్వారా అంతర పంటల నిష్పత్తి ఎంపికకు ఆధారాన్ని అందించాము. పత్తి మరియు సోయాబీన్ మధ్య మరియు పత్తి SPAD యొక్క అధిక-ఖచ్చితమైన అంచనా.
RFR, GBR మరియు SVR మోడల్‌లతో పోలిస్తే, VRE మోడల్ కాటన్ SPADని అంచనా వేయడంలో అత్యుత్తమ అంచనా ఫలితాలను చూపింది. VRE అంచనా మోడల్ ఆధారంగా, మల్టీస్పెక్ట్రల్ ఇమేజ్ ఫీచర్‌లు, కనిపించే ఇమేజ్ ఫీచర్‌లు మరియు ఇన్‌పుట్‌లుగా ప్లాంట్ ఎత్తు కలయికతో మోడల్, టెస్ట్ సెట్ R2, RMSE మరియు RPDతో వరుసగా 0.916, 1.481 మరియు 3.53 యొక్క అత్యధిక ఖచ్చితత్వాన్ని కలిగి ఉంది.
వోటింగ్ రిగ్రెషన్ ఇంటిగ్రేషన్ అల్గారిథమ్‌తో కలిపి మల్టీ-సోర్స్ డేటా ఫ్యూజన్ పత్తిలో SPAD అంచనా కోసం కొత్త మరియు సమర్థవంతమైన పద్ధతిని అందిస్తుంది.
పోస్ట్ సమయం: డిసెంబర్-03-2024